Upload
trinhlien
View
216
Download
0
Embed Size (px)
Citation preview
Universidade Estadual de Campinas – UNICAMP
Faculdade de Engenharia Química
Departamento de Engenharia de Sistemas Químicos
Área de Concentração Sistemas de Processos Químicos e Informática
ESTUDO DE SISTEMA DE LIMPEZA CIP USANDO
IDENTIFICAÇÃO DE SISTEMAS
Autor: Rodrigo Sislian
Orientador: Prof. Dr. Flávio Vasconcelos da Silva
Coorientador: Prof. Dr. Rubens Gedraite
Dissertação de Mestrado apresentada à Faculdade
de Engenharia Química da Universidade Estadual
de Campinas, como parte dos requisitos exigidos
para a obtenção do título de Mestre em Engenharia
Química. Área de Concentração: Sistemas de
Processos Químicos e Informática.
Campinas – São Paulo – Brasil
Julho – 2012
ii
iii
iv
v
Agradecimentos
Agradeço primeiramente a Deus por me possibilitar e sempre auxiliar na
elaboração e conclusão deste trabalho.
À toda a minha família, em especial meus pais e minhas irmãs, que
acompanharam de perto todo o meu esforço para a elaboração deste trabalho, sempre
me incentivando.
Ao meu orientador Flávio Vasconcelos da Silva e meu coorientador Rubens
Gedraite, por todo o auxílio, incentivo e sugestões, e pela paciência e disponibilidade
fundamentais para a elaboração deste trabalho.
À toda a equipe da Escola de Engenharia Mauá, em especial aos professores Léo
Kunigk, Sérgio Ribeiro e Valdir Melero Júnior e ao Douglas Dalla Justina, por terem
disponibilizado o espaço, a bancada e seu tempo.
E a todos os amigos que participaram direta ou indiretamente, sempre me
incentivando e dando forças.
vi
“As características daquele que busca constantemente o conhecimento, o levam
naturalmente à evolução”. (Autor desconhecido)
vii
RESUMO
A presença de resíduos em superfícies mal higienizadas pode aumentar a
incidência de microrganismos e ocasionar problemas operacionais nos equipamentos
de processo. A identificação da dinâmica do processo pode contribuir para a melhoria
da sua eficiência, racionalizando o uso de água e energia empregada nas operações de
enxágue.
Atualmente, a maioria dos processos de limpeza CIP é conduzida com base em
procedimentos padronizados considerando a experiência dos operadores de processo
no que tange ao tempo de funcionamento do ciclo.
Este trabalho aborda, em um primeiro momento, a implantação da instrumentação
e do sistema de controle necessários para monitorar e controlar o processo e, na
sequência, o levantamento experimental do comportamento do sistema a estímulos na
vazão e/ou temperatura de operação do processo. Para tal foi utilizado um trocador de
calor instalado em planta piloto com o objetivo de relacionar, ao longo do tempo, a
variação da alcalinidade (pH) da água empregada para remoção do detergente alcalino
utilizado no processo de limpeza com a temperatura e vazão da mesma.
Neste trabalho a planta utilizada possui dimensões de uma planta semi-industrial
típica; tal característica possibilita que se considerem as dinâmicas e fenômenos
encontrados em plantas reais, obtendo-se resultados de grande interesse prático. Os
equipamentos utilizados (sensores, interfaces e atuadores) são padrão de mercado,
adequadamente combinados e instalados de maneira a permitir o estudo de vários
aspectos relacionados às etapas de um processo CIP.
Testes foram realizados na planta partindo dos parâmetros de sintonia calculados
pelo método ITAE por Rovira para o controle de vazão do fluido de processo. Os
valores finais dos parâmetros PID que apresentaram o melhor resultado e foram
utilizados na planta foram: Kp= 2,68 e Ti= 0,101 s. Devido à diferença na dinâmica para
aumento e redução da temperatura para o controle de temperatura do fluido de
processo, partiu-se dos parâmetros de sintonia calculados pelo Método CHR sem
sobrevalor. Os valores finais dos parâmetros PID que apresentaram o melhor resultado
viii
nos testes e foram utilizados na planta foram: para o aumento da temperatura Kp =
6,394, Ti = 3,640 s e Td=0,621 s, e para a diminuição da temperatura, foi utilizado o
controlador proporcional com o parâmetro Kp = 0,08.
A cinética da remoção foi avaliada a partir da variação do pH medido. Foram
identificadas as dinâmicas da planta para diferentes condições operacionais que
mostram que os parâmetros dinâmicos do sistema são fortemente influenciados pelas
vazões e pouco afetados pelas temperaturas utilizadas, com maior contribuição para
valores mais elevados de vazão (16 L.min-1), onde há menor consumo de água.
Apesar de a identificação aproximada apresentar um modelo (com erro) que
representa a resposta do processo, motivou-se o uso de uma metodologia de
identificação mais refinada com o objetivo de comparação. Esta foi obtida através de
modelos baseados no sistema de Inferência Fuzzy Neuro-Adaptativo (ANFIS) através
do aplicativo Simulink/MATLAB®.
Os resultados obtidos com os modelos foram validados por comparação com os
dados experimentais. Para este processo duas entradas (a saída atrasada em uma
amostragem - pH [k-1] - e a vazão atual - F[k]) e uma saída (o pH atual - pH[k]) para o
treinamento da rede, mostraram ser mais adequadas para modelar a resposta da
dinâmica do pH na etapa de enxague estudada. O erro médio foi de 0,011 quando
comparados os dados experimentais coletados com o modelo obtido (tanto com o uso
do algoritmo Grid partition quanto com o algoritmo Subtractive Clustering e com o uso
de 3 ou 5 funções de pertinência do tipo triangular).
Palavras chave: Controle de Processos, Modelagem matemática
ix
ABSTRACT
The presence of residues in poorly cleaned surfaces may increase the micro-
organisms incidence and cause operational problems in process equipments. The
process dynamics identification can contribute to improve efficiency, rationalizing the
energy and water used in rinsing operations.
Nowadays, most of CIP cleaning process is conducted based on standard
procedures considering the process operators’ experience regarding the operating time
cycle.
This paper discusses, at first, the instrumentation and control system
implementation required to monitor and control the process and, after that, the
experimental tests to analyze the system behavior to stimuli in flow and/or process
operating temperature. For that it was used a heat exchanger installed in a pilot plant in
order to relate, over time, the water alkalinity (pH) variation used to remove alkaline
detergent used in the cleaning process with the temperature and flow rate of the same.
The plant used in this study has the typical dimensions of a semi-industrial plant;
this characteristic makes it possible to consider the dynamic and phenomena found in
real plants, obtaining results of great practical interest. It was used industry standard
equipments (sensors, actuators and interfaces) properly combined and installed so as to
allow the study of various aspects related to the CIP process stages.
Tests were done in the plant starting with the tuning parameters calculated by the
ITAE by Rovira method to control the process fluid flow. The final PID parameters values
that presented the best results and were used in the plant were: Kp = 2.68 and Ti =
0.101 s. Due to the difference in dynamics for increasing and decreasing temperature to
control the process fluid temperature, It was started from the tuning parameters
calculated by the CHR method without over value. The final PID parameter values that
had the best results in the plant and were used were: for the temperature increase Kp =
6,394, Ti = 3,640 s and Td=0,621 s, and for decreasing temperature it was used a
x
proportional controller with the parameter Kp = 0.08.
The kinetics removal was evaluated starting from the measured pH variation. The
plant dynamics were identified for different operating conditions which shows that the
system’s dynamic parameters are strongly influenced by the flow and little affected by
the temperatures used, with a greater contribution for higher flow levels (16 L.min-1),
where there is less water consumption.
Although the approximate identification provide a suitable model (with error) that
represents the process response, there was a motivation for the use of a more refined
identification methodology with the objective of comparing. It was obtained by Adaptive
Neuro-Fuzzy Inference System (ANFIS) model-based via Simulink/MATLAB® software.
The results obtained with those models were validated by comparison with the
experimental data. For this process two inputs (the output delayed by one sample - pH
[k-1] - and the current flow - F[k]) and one output (the current pH - pH [k]) to the network
training, revealed to be more appropriate to model the pH dynamics response in the
rinse step studied. The average error was 0,011 when comparing the experimental
collected data with the obtained model (either using the Grid Partition algorithm and the
Subtractive Clustering algorithm and using 3 or 5 triangular membership functions).
Keywords: Process Control, Mathematical Modelling
xi
Sumário
CAPÍTULO 1. INTRODUÇÃO ......................................................................................... 1
1.1 OBJETIVOS 3
1.2 MOTIVAÇÃO E CONTRIBUIÇÃO 3
CAPÍTULO 2. REVISÃO BIBLIOGRÁFICA E FUNDAMENTAÇÃO TEÓRICA ............. 5
2.1 Histórico do processo de sanitização de instalações industriais
alimentícias 5
2.2 Processo de higiene e sanitização de equipamentos empregados em
instalações industriais alimentícias 6
2.3 Formação de biofilme 7
2.4 Etapas envolvidas em processos de higienização de superfícies 9
2.4.1 Pré-lavagem ..................................................................................................... 12
2.4.2 Aplicação de soluções de detergentes ............................................................. 13
2.4.2.1 Detergentes alcalinos ....................................................................................... 17
2.4.2.2 Detergentes ácidos ........................................................................................... 19
2.4.3 Enxágue ........................................................................................................... 20
2.4.4 Sanitização ....................................................................................................... 20
2.4.5 Enxágue ........................................................................................................... 23
2.5 Sistemas de Higienização 23
2.6 Sistemas de controle tipicamente empregados em sistemas CIP 27
2.7 Modelagem matemática e identificação de sistemas 34
2.7.1 Modelagem aproximada de 1ª ordem com atraso de transporte ...................... 37
2.7.2 Modelagem Neuro-Fuzzy ................................................................................. 41
xii
CAPÍTULO 3. MATERIAIS & MÉTODOS ..................................................................... 64
3.1 Materiais utilizados 64
3.2 Metodologia empregada 81
3.2.1 Metodologia empregada para obtenção das curvas de resposta de vazão e
temperatura ................................................................................................................... 82
3.2.2 Metodologia empregada para sintonia dos controladores ................................ 84
3.2.3 Metodologia para obtenção de modelo simplificado da etapa de enxágue ...... 85
CAPÍTULO 4. RESULTADOS OBTIDOS .................................................................. 94
4.1 Curvas de respostas de vazão e temperatura 94
4.2 Sintonias dos controladores de vazão e temperatura 99
4.2.1 Sintonia do controlador da vazão do fluído de processo ................................ 109
4.2.2 Sintonia do controlador da temperatura de saída do fluído de processo ........ 111
4.3 Modelagem matemática do comportamento do pH em função do tempo114
4.3.1 Comportamento do pH em função da variação da temperatura ..................... 115
4.3.2 Comportamento do pH em função da variação da vazão ............................... 116
CAPÍTULO 5. CONCLUSÕES .................................................................................... 147
SUGESTÕES PARA TRABALHOS FUTUROS ......................................................... 149
REFERÊNCIAS BIBLIOGRÁFICAS ........................................................................... 150
APÊNDICE A - Esquema elétrico das conexões do inversor de frequência ........ 156
APÊNDICE B - Painel frontal e diagrama em blocos do programa para coleta dos
dados em plataforma LabVIEW ........................................................... 157
APÊNDICE C - Painel frontal e diagrama em blocos do programa dos
controladores e obtenção de valores de pH em plataforma LabVIEW
............................................................................................................... 159
xiii
Índice de Tabelas
Tabela 2.1 – Principais elementos de processo ....................................................... 35
Tabela 3.1 – Resultados experimentais do estudo da incrustação ........................ 89
Tabela 4.1 – Parâmetros de sintonia – Método: Ziegler & Nichols ....................... 100
Tabela 4.2 – Parâmetros de sintonia – Método: CHR sem sobrevalor ................. 100
Tabela 4.3 – Parâmetros de sintonia – Método: CHR 20% de sobrevalor ............ 100
Tabela 4.4 – Parâmetros de sintonia – Método: Cohen & Coon ............................ 100
Tabela 4.5a – Parâmetros de sintonia – Método: ITAE-Lopez ............................... 101
Tabela 4.5b – Parâmetros de sintonia – Método: ITAE-Lopez ............................... 101
Tabela 4.6a – Parâmetros de sintonia – Método: ITAE-Rovira .............................. 101
Tabela 4.6b – Parâmetros de sintonia – Método: ITAE-Rovira .............................. 101
Tabela 4.7 – Parâmetros teóricos para sintonia dos controladores. .................... 102
Tabela 4.8 – Regras obtidas para o modelo com duas entradas e uma saída (grid
partition) ................................................................................................ 135
Tabela 4.9 – Regras obtidas para o modelo com duas entradas e uma saída
(subtractive clustering) ........................................................................ 139
Tabela 4.10 – Regras obtidas para o modelo com duas entradas e uma saída (grid
partition) ................................................................................................ 144
Tabela 4.11 – Comparação entre as metodologias de modelagem do sistema de
Inferência Fuzzy Neuro-Adaptativo (ANFIS) ...................................... 145
xiv
Índice de Figuras
Figura 2.1 – Controladores Lógicos Programáveis Fonte: Rockwell ..................... 28
Figura 2.2 – Pré-enxágue do sistema em estudo com água recuperada Fonte: KHS
– Ziemann Lies ....................................................................................... 30
Figura 2.3 – Limpeza do sistema em estudo com solução de soda cáustica Fonte:
KHS – Ziemann Lies ............................................................................... 31
Figura 2.4 – Enxágue intermediário do sistema em estudo com água tratada
Fonte: KHS – Ziemann Lies ................................................................... 31
Figura 2.5 – Esterilização do sistema em estudo com água quente Fonte: KHS –
Ziemann Lies .......................................................................................... 32
Figura 2.6 – Resfriamento do sistema em estudo com água tratada proveniente da
rede Fonte: KHS – Ziemann Lies .......................................................... 32
Figura 2.7 – Aplicação do método da tangente para determinação dos parâmetros
e do modelo representado por um sistema de 1ª ordem mais
atraso de transporte ............................................................................... 38
Figura 2.8 – Obtenção dos parâmetros e pelo método dos 63,2% a partir de
uma curva de reação do processo ....................................................... 39
Figura 2.9 – Função de pertinência triangular Fonte: Benini e Júnior (2008) ........ 43
Figura 2.10 – Função de pertinência trapezoidal Fonte: Benini e Júnior (2008) .... 44
Figura 2.11 – Função de pertinência Fuzzy-ton ou singleton Fonte: Benini e Júnior
(2008) ....................................................................................................... 44
Figura 2.12 – Função de pertinência gaussiana Fonte: Benini e Júnior (2008) ..... 44
xv
Figura 2.13 – Exemplo representativo de funções de pertinência Fonte: Benini e
Júnior (2008) ........................................................................................... 45
Figura 2.14. (a) Diagrama dos conjuntos A e B (b) Diagrama da união A U B Fonte:
Benini e Júnior (2008) ............................................................................ 46
Figura 2.15. (a) Diagrama dos conjuntos A e B (b) Diagrama da intersecção A ∩ B
Fonte: Benini e Júnior (2008) ................................................................ 47
Figura 2.16. Diagrama do complemento (Ā) do conjunto A Fonte: Benini e Júnior
(2008) ....................................................................................................... 47
Figura 2.17. Processo de inferência Takagi-Sugeno com duas regras definidas
Fonte: Benini e Júnior (2008) ................................................................ 54
Figura 2.18. Neurônio típico Fonte: Benzecry et al. (2008) ...................................... 55
Figura 2.19. Exemplo de um grafo direcionado ........................................................ 56
Figura 2.20 – Rede neural artificial em camadas Fonte: Barreto, 2002 .................. 57
Figura 2.21 – Etapa de cálculo das saídas e dos erros Fonte:
<http://www.labinfo.lncc.br/> ................................................................ 60
Figura 2.22 – Etapa de ajuste dos pesos Fonte: <http://www.labinfo.lncc.br/> ..... 61
Figura 3.1 – Equipamentos e instrumentação para o processo de limpeza CIP ... 64
Figura 3.2a – Diagrama esquemático simplificado do sistema ............................... 66
Figura 3.2b – Diagrama representativo do processo e da instrumentação ........... 67
Figura 3.3 – Placa de aquisição de dados usada no trabalho Fonte: National
Instruments, 2012 ................................................................................... 68
Figura 3.4 – Régua de bornes usada no trabalho ..................................................... 68
Figura 3.5 - Planta com trocador de calor tipo feixe tubular instrumentado ......... 70
Figura 3.6 - Tubos internos do trocador de calor para o fluído de processo ........ 71
xvi
Figura 3.7 - Seções de passagem do fluído de processo nos tubos do trocador de
calor ......................................................................................................... 71
Figura 3.8 - Válvulas para manobra da saída do fluído de processo ao reservatório
de entrada ou descarte .......................................................................... 71
Figura 3.9 - Rotor helicoidal de bomba centrífuga ................................................... 72
Figura 3.10 - Bomba de deslocamento para fluído de processo ............................. 73
Figura 3.11 - Bomba centrífuga para circulação de água quente ........................... 74
Figura 3.12 - Válvula pneumática da malha de controle de temperatura ............... 74
Figura 3.13 - Posicionamento dos elementos de medição de temperatura da
entrada (T3) e saída (T1) do fluído de processo .................................. 75
Figura 3.14 - Posicionamento dos elementos de medição das temperaturas da
entrada (T4) e saída (T2) da água quente de aquecimento ................. 75
Figura 3.15 - Vista interna do medidor de vazão (METROVAL, 2007) ..................... 76
Figura 3.16 - Esquema com princípio de funcionamento das engrenagens ovais do
medidor de vazão (METROVAL, 2007) .................................................. 76
Figura 3.17 - Instalação do medidor de vazão METROVAL modelo OI - 2 SMRX/FS
................................................................................................................. 77
Figura 3.18 - Acoplador do sinal de vazão METROVAL modelo METROFLUX AG19
................................................................................................................. 77
Figura 3.19 - Medidor de pH MICRONAL, modelo B-474 - phmetro ........................ 78
Figura 3.20 - Tela do programa para leitura do sinal serial de pH. ......................... 79
Figura 3.21 - Inversor de frequência .......................................................................... 79
Figura 3.22 - Conversor I/P ENGINSTREL modelo 621IPB ...................................... 80
xvii
Figura 3.23 - Condicionadores de sinais para medidas de temperaturas e atuação
no conversor I/P da válvula eletropneumática de vapor. ................... 81
Figura 3.24 - Fluxograma básico com as etapas do processo CIP para estudo da
etapa de enxágue. .................................................................................. 85
Figura 3.25 - Diagrama em blocos do processo para etapa da obtenção dos dados
para a modelagem não paramétrica ..................................................... 86
Figura 3.26 - Representação do sistema de estudo da incrustação ....................... 87
Figura 4.1a - Variável desvio - vazão PV (Variação da MV de 7 V para 10 V) ......... 95
Figura 4.1b - Sinal enviado a inversor de frequência (MV) com degraus simétricos
de 7 V para 10 V ...................................................................................... 95
Figura 4.2a - Variável desvio - Temperatura PV à variações da MV ........................ 97
Figura 4.2b – Abertura da válvula de vapor (MV) ..................................................... 97
Figura 4.3a – Comparação entre os dados coletados e o modelo aproximado
obtido para a vazão ................................................................................ 98
Figura 4.3b – Comparação entre os dados coletados e o modelo aproximado
obtido para a temperatura ..................................................................... 99
Figura 4.4a – Blocos do Simulink/MATLAB para simulação do comportamento
dos controladores proporcionais de vazão ....................................... 103
Figura 4.4b - Blocos do Simulink/MATLAB para simulação do comportamento
dos controladores proporcionais de temperatura ............................ 104
Figura 4.5a - Comportamento temporal (simulação) dos controladores
proporcionais de vazão perturbadas por um degrau unitário.......... 104
xviii
Figura 4.5b - Comportamento temporal (simulação) dos controladores
proporcionais de temperatura perturbadas por um degrau unitário.
............................................................................................................... 105
Figura 4.6a - Blocos do Simulink/MATLAB para simulação do comportamento
dos controladores PI de vazão............................................................ 105
Figura 4.6b - Blocos do Simulink/MATLAB para simulação do comportamento
dos controladores PI de temperatura ................................................. 106
Figura 4.7a - Comportamento temporal (simulação) dos controladores PI de vazão
perturbadas por um degrau unitário. ................................................. 106
Figura 4.7b - Comportamento temporal (simulação) dos controladores PI de
temperatura perturbadas por um degrau unitário ............................. 107
Figura 4.8 - Blocos do Simulink/MATLAB para simulação do comportamento dos
controladores PID de temperatura...................................................... 108
Figura 4.9 - Comportamento temporal (simulação) dos controladores PID de
temperatura perturbadas por um degrau unitário ............................. 108
Figura 4.10a - Variável desvio - vazão PV (Variação do set-point de 10 L.min-1 para
11 L.min-1) ............................................................................................. 110
Figura 4.10b - Sinal enviado a inversor de frequência (MV) à variações no set-
point de vazão ...................................................................................... 111
Figura 4.11a - Variável desvio - temperatura PV (Variação do set-point de 50ºC
para 70 ºC)............................................................................................. 113
Figura 4.11b - Sinal enviado à válvula proporcional de vapor (MV) à variações no
set-point de temperatura ..................................................................... 114
Figura 4.12 – pH medido x pH após filtragem de sinal para vazão de 9 L.min-1 .. 115
xix
Figura 4.13 – Comportamento do pH em função de variações da temperatura .. 116
Figura 4.14 – Comportamento do pH em função de variações da vazão ............. 117
Figura 4.15 – Programa MATLAB para comparação entre os valores de pH
coletado e modelado da água de enxague para degrau na vazão de 0
para 4 L.min-1 ........................................................................................ 119
Figura 4.16 – Programa MATLAB para comparação entre os valores de pH
coletado e modelado da água de enxague para degrau na vazão de 0
para 7,5 L.min-1 ..................................................................................... 119
Figura 4.17 – Programa MATLAB para comparação entre os valores de pH
coletado e modelado da água de enxague para degrau na vazão de 0
para 12 L.min-1 ...................................................................................... 120
Figura 4.18 – Comportamento do pH coletado x modelado e o erro (pH modelo –
pH coletado) para degrau na vazão de 0 para 4 L.min-1 .................... 120
Figura 4.19 – Comportamento do pH coletado x modelado e o erro (pH modelo –
pH coletado) para degrau na vazão de 0 para 7,5 L.min-1 ................. 121
Figura 4.20 – Comportamento do pH coletado x modelado e o erro (pH modelo –
pH coletado) para degrau na vazão de 0 para 12 L.min-1 .................. 121
Figura 4.21 – Dados para o treinamento da rede com uma entrada e uma saída 124
Figura 4.22 – Treinamento da rede com uma entrada e uma saída (grid partition)
............................................................................................................... 124
Figura 4.23 – Funções de pertinência triangulares (grid partition) ....................... 125
Figura 4.24 – Modelo do sistema Fuzzy desenvolvido (3 funções de pertinência –
uma entrada e uma saída - grid partition) .......................................... 126
xx
Figura 4.25 – Superfície de resposta (3 funções de pertinência – uma entrada e
uma saída - grid partition) ................................................................... 126
Figura 4.26 – Modelo ANFIS do pH coletado X pH modelado para um degrau na
vazão de 0 L.min-1 para 7,5 L.min-1 (grid partition com três funções de
pertinência triangulares) ..................................................................... 127
Figura 4.27 – Treinamento da rede com uma entrada e uma saída (subtractive
clustering) ............................................................................................. 128
Figura 4.28 – Funções de pertinência triangulares (subtractive clustering) ........ 129
Figura 4.29 – Modelo do sistema Fuzzy desenvolvido (3 funções de pertinência –
uma entrada e uma saída - subtractive clustering) ........................... 129
Figura 4.30 – Superfície de resposta (3 funções de pertinência – uma entrada e
uma saída - subtractive clustering) .................................................... 130
Figura 4.31 – Modelo ANFIS do pH coletado X pH modelado para um degrau na
vazão de 0 L.min-1 para 7,5 L.min-1 (subtractive clustering) ............. 131
Figura 4.32 – Dados para o treinamento da rede com duas entradas e uma saída
(grid partition) ....................................................................................... 132
Figura 4.33 – Entrada - Vazão para o treinamento da rede (grid partition) .......... 133
Figura 4.34 – Entrada – pH atrasado em 1 amostragem para o treinamento da rede
(grid partition) ....................................................................................... 133
Figura 4.35 – Regras do modelo com duas entradas e uma saída (grid partition)
............................................................................................................... 134
Figura 4.36 – Superfície de resposta do modelo com duas entradas e uma saída
(grid partition) ....................................................................................... 134
xxi
Figura 4.37 – Modelo ANFIS do pH coletado X pH modelado para um degrau na
vazão de 0 L.min-1 para 7,5L.min-1 (grid partition) ............................ 135
Figura 4.38 – Dados para o treinamento da rede com duas entradas e uma saída
(subtractive clustering) ........................................................................ 136
Figura 4.39 – Entrada - Vazão para o treinamento da rede (subtractive clustering)
............................................................................................................... 137
Figura 4.40 – Entrada – pH atrasado em 1 amostragem para o treinamento da rede
(subtractive clustering) ........................................................................ 137
Figura 4.41 – Regras do modelo com duas entradas e uma saída (subtractive
clustering) ............................................................................................. 138
Figura 4.42 – Superfície de resposta do modelo com duas entradas e uma saída
(subtractive clustering) ........................................................................ 139
Figura 4.43 – Modelo ANFIS do pH coletado X pH modelado para um degrau na
vazão de 0 L.min-1 para 7,5L.min-1 (subtractive clustering) ............. 140
Figura 4.44 – Dados para o treinamento da rede com duas entradas e uma saída
(subtractive clustering) ........................................................................ 141
Figura 4.45 – Entrada - Vazão para o treinamento da rede (grid partition) .......... 142
Figura 4.46 – Entrada – pH atrasado em 1 amostragem para o treinamento da rede
(grid partition) ....................................................................................... 142
Figura 4.47a – Regras do modelo com duas entradas e uma saída (grid partition)
............................................................................................................... 143
Figura 4.47b – Regras do modelo com duas entradas e uma saída (grid partition) –
continuação .......................................................................................... 143
xxii
Figura 4.48 – Superfície de resposta do modelo com duas entradas e uma saída
(grid partition) ....................................................................................... 144
Figura 4.49 – Modelo ANFIS do pH coletado X pH modelado para um degrau na
vazão de 0 L.min-1 para 7,5L.min-1 (subtractive clustering) ............. 145
Figura A.1 – Esquema elétrico das conexões do inversor de frequência ............ 156
Figura B.1 – Painel Frontal do programa para coleta de dados em LabVIEW ..... 157
Figura B.2 – Diagrama em blocos do programa para coleta de dados em
LabVIEW® ............................................................................................. 158
Figura C.1 – Painel frontal dos controladores: aquisição da vazão, temperaturas e
pH usando LabVIEW®.......................................................................... 159
Figura C.2 – Diagrama em blocos dos controladores: aquisição da vazão,
temperaturas e pH usando LabVIEW® ................................................ 160
1
CAPÍTULO 1. INTRODUÇÃO
Em todas as fases da civilização humana a conservação dos alimentos fez-se
necessária para garantir a qualidade do principal combustível de nosso organismo,
buscando eliminar ou inibir agentes de transformação químicos, bioquímicos e
biológicos. Ao longo do tempo foram desenvolvidos diversos processos de
conservação: secagem, salgamento, defumação, isolação de agentes oxidantes,
controle de temperatura, pasteurização1, entre outros.
Chegando a era industrial, os alimentos passaram a ser processados e diversas
tecnologias foram criadas e empregadas para a sua elaboração, manuseio,
conservação e transporte, despertando significativa preocupação na eficiência dos
programas de higienização, sendo que os métodos adotados devem considerar as
instalações, utensílios, equipamentos e manipuladores.
Considerando que a higiene, limpeza e assepsia de todas as etapas do
processamento na indústria alimentícia são fundamentais para a segurança e qualidade
dos alimentos, é primordial a implantação de programas de sanitização2. Devido à
diversificação dos produtos industrializados, estes programas devem ser quase que
específicos a cada produto elaborado.
Nestes processos, o contato dos alimentos com superfícies mal higienizadas pode
aumentar a incidência de microrganismos prejudicando sua qualidade. A presença de
resíduos também ocasiona problemas operacionais nos equipamentos, pois acarreta
queda dos rendimentos nas trocas térmicas e aumento de perda de carga do sistema.
Esses fatores são suficientes para justificar a importância da execução de um correto
plano de higienização dos insumos utilizados no processamento de alimentos.
Por serem procedimentos que requerem paradas de produção, os processos de
higienização, muitas vezes, são realizados de forma negligenciada pelas empresas.
Portanto, é de fundamental importância que sejam estudados e otimizados, através do
1 Técnica elaborada por Louis Pasteur, que consiste em tratamento térmico para eliminar os micro-organismos presentes em
produtos alimentícios (TETRAPAK, 2012).
2 Sanitização trata-se da redução da população microbiana, conforme citações ao longo do capítulo 2.
2
estabelecimento das cinéticas de remoção de resíduos de cada etapa do processo.
O estabelecimento do tempo adequado ao processo de higienização é
fundamental para a eficiência do processo. Deve ser suficientemente longo para que as
reações químicas e as interações físicas ocorram a contento; mas não deve ser
excessivo, pois reduziria a produtividade da indústria.
O processo escolhido para este estudo é caracterizado por efetuar a higienização
nas máquinas utilizadas sem a desmontagem dos componentes e de forma cinética,
denominado sistema CIP (Clean in Place) (ANDRADE; MACEDO, 1996; GIBSON et al.,
1999; JEURNINK e BRINKMAN, 1994), de reconhecida eficiência na remoção de tipos
de resíduos que possam resultar na proliferação de microorganismos e, por sua vez,
contaminar alimentos que venham a ser processados no ciclo seguinte.
Dois parâmetros envolvidos no processo CIP despertam especial interesse: vazão
de escoamento e temperatura. O primeiro está relacionado com a ação cisalhante
proporcionada pela água sobre a superfície, enquanto o segundo permite melhor
solubilização dos resíduos, facilitando sua remoção.
Em um processo CIP, o tempo de escoamento das soluções, em cada etapa do
processo de higienização, é o parâmetro de maior facilidade de manipulação e, por
isso, o fator preferido de redução para otimização de custos. Porém, se alterado de
forma não criteriosa pode ocasionar a não efetividade do processo.
A prática de higienização de equipamentos pela indústria de alimentos
normalmente baseia-se em experiências empíricas, deixando o setor à mercê de
informações provenientes dos fornecedores de detergentes e sanitizantes. Parâmetros
semi-empíricos são adotados a partir de resultados finais de higienização considerados
satisfatórios. A complexidade dos fenômenos existentes nas reações de remoção
requer o aumento de trabalhos científicos que possam contribuir com os procedimentos
adotados industrialmente.
O equipamento utilizado como base de estudo foi um trocador de calor do tipo
feixe tubular (MARTIN, 2006) instalado na Planta Piloto do Edifício Prof. Walter Borzani
do Centro Universitário do Instituto Mauá de Tecnologia (CEUN-IMT), submetido à
3
incrustação por leite em seus tubos internos. Este tipo de trocador de calor é bastante
utilizado na indústria de derivados de leite, porém de difícil higienização, pois as
temperaturas envolvidas durante seu funcionamento acarretam, entre outros,
desnaturação proteica que dificulta a retirada dos resíduos, obrigando a realização de
paradas mais frequentes. Neste tipo de equipamento, o sistema de higienização
adotado mais comumente é o CIP, por propiciar maior rapidez ao processo, e por não
haver necessidade de realização de desmonte do equipamento.
1.1 OBJETIVOS
Este trabalho tem como objetivo geral a instrumentação de um processo de
limpeza CIP aplicado nos tubos internos de um trocador de calor para o monitoramento,
controle e coleta adequada de dados.
O trabalho tem como objetivo específico a análise da influência da vazão e da
temperatura na remoção do detergente alcalino em um processo de limpeza CIP típico
através da modelagem do comportamento dinâmico da etapa de enxágue de tal
processo.
1.2 MOTIVAÇÃO E CONTRIBUIÇÃO
Pretende-se relacionar a variação, ao longo do tempo, da alcalinidade (pH) da
água empregada para remoção do detergente alcalino utilizado no processo de limpeza
com a temperatura e vazão da mesma. Dessa forma, e utilizando a instrumentação
proposta, tem-se também como outro objetivo avaliar qualitativamente a sensibilidade
da variação da alcalinidade da etapa de enxágue quanto à vazão e temperatura
empregadas, visando obter um melhor entendimento de como essas variáveis
influenciam no tempo necessário para a conclusão dessa etapa em um processo CIP.
Diferentemente de outros estudos realizados (RESTO, 2007; GÖNDER, 2009;
BREMER, 2005), onde se utilizaram pequenos modelos de bancada para estudo de
fenômenos ligados ao processo de limpeza CIP, neste trabalho a planta utilizada possui
dimensões de uma planta semi-industrial típica. Tal característica possibilita que se
considerem as dinâmicas e fenômenos encontrados em plantas reais, obtendo-se
4
resultados de grande interesse prático.
Uma das contribuições deste trabalho refere-se à instrumentação proposta.
Utilizou-se de equipamentos (sensores, interfaces e atuadores) padrão de mercado,
adequadamente combinados e instalados de maneira a permitir o estudo de vários
aspectos relacionados às etapas de um processo CIP. Também, foram desenvolvidos
algoritmos computacionais, baseados na plataforma LabVIEW® - Laboratory Virtual
Instrumentation Engineering Workbench - National Instruments Co. (NATIONAL
INSTRUMENTS, 2010), que permitem gerenciar e controlar tais equipamentos de
maneira efetiva, com funções de aquisição de dados e controle. Tanto o ambiente de
software desenvolvido quanto a instrumentação sugerida possuem portabilidade
imediata para aplicações similares em escala industrial. Aspectos de filtragem usando
transformada wavelet foram também sugeridos e aplicados, permitindo reduzir de
maneira significativa o ruído de dados obtidos, mostrando ser efetivo seu uso em
processos como aqui abordados.
Outra contribuição relevante refere-se à etapa de enxágue de um processo CIP.
Utilizando-se a instrumentação e software propostos, a influência da vazão e
temperatura em tal etapa é avaliada e modelos são obtidos, possibilitando um melhor
entendimento do comportamento dessa etapa de limpeza. De tais modelos, sugere-se
uma forma de estimar, aproximadamente, o tempo necessário para a execução de tal
etapa, permitindo otimizações futuras quanto ao consumo de água e energia
envolvidas, objetivando-se reduzir custos, além da possibilidade de uma comparação e
estudo da modelagem aproximada de 1ª ordem + atraso de transporte com a
modelagem utilizando o sistema de Inferência Fuzzy Neuro-Adaptativo (ANFIS).
5
CAPÍTULO 2. REVISÃO BIBLIOGRÁFICA E FUNDAMENTAÇÃO TEÓRICA
2.1 Histórico do processo de sanitização de instalações industriais alimentícias
Desde os primórdios da civilização humana, a conservação dos alimentos foi uma
de suas necessidades. Esta atividade era necessária para garantir a qualidade dos
alimentos durante o período de inverno ou durante deslocamentos.
Vários tipos de sistemas de conservação dos alimentos foram desenvolvidos ao
longo dos séculos: salgar e defumar carnes e peixes, secar ao sol carnes e frutas, etc.
Mais recentemente, após os trabalhos de Louis Pasteur, passou-se a utilizar a técnica
de ferver os alimentos e mantê-los hermeticamente selados para evitar a entrada de ar
e de microrganismos.
Com o advento da era industrial os alimentos passaram a ser processados e
várias tecnologias foram criadas para sua elaboração, manuseio, conservação e
transporte. O processamento dos alimentos por máquinas levou à necessidade do
desenvolvimento de várias técnicas para a limpeza das mesmas após o seu uso, de
maneira a não deixar resíduos onde pudessem proliferar micro-organismos que iriam
contaminar outros alimentos a serem processados posteriormente.
A limpeza e a subsequente sanitização ou desinfecção de qualquer item ou
equipamento de uma instalação industrial de processamento de alimentos, produtos
farmacêuticos ou de bebidas, deve ser realizada com o máximo cuidado e atenção para
assegurar a qualidade do produto final.
No início, o processo de limpeza era um processo manual, o qual ainda é utilizado
em instalações industriais de pequeno porte. Nestes casos, é vital que haja uma
meticulosa atenção nos detalhes, pois, devido a razões de saúde e segurança, somente
soluções químicas brandas e frias (detergentes) podem ser utilizadas.
A fabricação de produtos farmacêuticos, alimentícios e bebidas seria grandemente
facilitada se os equipamentos e tubulações usados em seu processamento pudessem
ser desmontados, postos em uma pia, vigorosamente escovados e então postos em um
esterilizador para remover os contaminantes (Harrold, 2000). Obviamente as técnicas
6
de limpeza utilizadas em laboratório são impraticáveis na maioria das instalações
industriais de grande escala de produção. Os vasos, equipamentos e tubulações devem
ser limpos no local onde estão instalados. O Processo de Limpeza no Local (Clean-in-
Place – CIP) é um dos processos de limpeza mais comumente utilizados na indústria
para assegurar que as tubulações e os equipamentos estejam livres de contaminantes
orgânicos e inorgânicos.
2.2 Processo de higiene e sanitização de equipamentos empregados em instalações industriais alimentícias
As condições higiênico-sanitárias de um alimento, que garantem sua
palatabilidade, qualidade e segurança, estão intimamente ligadas com o processo de
higienização das instalações em que foi processado. Superfícies de equipamentos ou
utensílios, que entram em contato com alimentos durante o processo de
industrialização, podem provocar contaminação ou aumento da incidência de
microrganismos (ANDRADE e MACEDO, 1996).
Os microrganismos, presentes na matéria-prima processada, aderem aos resíduos
sólidos surgidos após a passagem da mesma em um equipamento (REINEMANN e
RABOTSKI, 1993). Portanto, a higienização adequada de um equipamento é
fundamental para a remoção dessas sujidades. De acordo com (Bansal e Chen, 2005)
um trocador de calor utilizado na indústria de laticínios deve ser higienizado diariamente
para manter seus padrões de qualidade.
A presença de resíduos não só propicia condições para a proliferação de
microrganismos, como também afeta as condições de operação dos trocadores de
calor, pois reduz as taxas de transferência de calor provocando um sub-processamento
do produto, devido às temperaturas necessárias para a realização dos tratamentos
térmicos, como pasteurização e esterilização, não serem atingidas, propiciando-lhe
condições para o desenvolvimento de uma microbiota deteriorativa e/ou patógena
durante seu armazenamento. A presença de resíduos sobre as superfícies também
aumenta os níveis de queda de pressão no equipamento por aumentar a rugosidade
superficial (BANSAL e CHEN, 2005; FRYER et al., 2006).
Higienizar adequadamente o equipamento pode reverter em benefícios
7
econômicos ao setor industrial. De acordo com Jun e Puri (2005) custos gerados pelos
resíduos incrustados, estão envolvidos nas paradas de produção para manutenção e
reparo dos equipamentos, na perda de produção, no excessivo uso de água e na perda
de energia.
Gillham et al. (2000) e Fryer et al. (2006) citam também os custos envolvidos com
a utilização de produtos químicos e com o impacto ambiental. A regularidade de
procedimentos de higienização pela empresa diminui os problemas acima
mencionados. A principal preocupação dos efluentes do ponto de vista ambiental
relacionada ao processo de higienização é o pH das soluções. Quando soluções
fortemente alcalinas são utilizadas, recomenda-se neutralizá-las, após sua utilização,
para que seu pH diminua e somente então descartá-las (SCHMIDT, 1997).
De acordo com Beuf et al. (2003) a indústria leiteira holandesa gasta mais de US$
40 milhões com problemas gerados pela formação de resíduos. Para Van Asselt et al.
(2005), mais de 80% dos custos envolvidos nos processos das indústrias de derivados
lácteos estão relacionados aos processos de higienização de equipamentos.
O entendimento e a consequente otimização de um processo de higienização
permite a redução dos custos envolvidos neste processo (JEURNINK e BRINKMAN,
1994). Para otimizar um processo de higienização é necessário o entendimento de
como são gerados os resíduos e aplicar esses conhecimentos nas tomadas de
decisões efetivas para sua remoção.
2.3 Formação de biofilme
A formação de resíduos em um equipamento propicia a adesão de microrganismos
por fornecer substrato aos mesmos (BANSAL e CHEN, 2005). Os microrganismos que
não foram retirados por um ineficiente processo de higienização, podem se depositar,
aderir ou interagir com os resíduos e as superfícies. Ao se instalarem, passam a se
multiplicar, formar colônias e agregarem nutrientes e resíduos. Dessa forma, uma
estrutura denominada biofilme instala-se no equipamento, que além de tornar-se fonte
de contaminantes microbianos, pode diminuir a transferência de calor, desencadear
processos corrosivos e diminuir o fluxo de produtos em tubulações (ANDRADE e
8
MACEDO, 1996; MITTELMAN, 1998).
De acordo com (Bott 1993 apud Bansal e Chen, 2005) a fixação de
microrganismos na superfície de um trocador de calor pode ocorrer diretamente sobre o
material do equipamento ou sobre a camada de depósito formada durante os
processamentos. Gaxetas, presentes em trocadores de calor, apresentam condições
favoráveis ao desenvolvimento de biofilme, devido à sua difícil higienização (HONER,
1992; WONG, 1998).
Conforme Mittelman (1998), durante as operações em indústrias de
processamento de alimentos, os biofilmes são difíceis de serem reconhecidos e
eliminados. Por mecanismos próprios, tal qual a formação de biopolímero extracelular
(EPS) excretado que age como barreira à difusão de agentes sanitizantes, os
microrganismos presentes nessa estrutura são capazes de resistir à ação de
bactericidas. Estudos relatados por Mittelman (1998) mostram uma redução 100 vezes
menor na população de Listeria monocytogenes quando estas estão instaladas em
biofilmes.
A presença do biofilme provoca a contaminação do alimento por microrganismos
que podem gerar toxinfecções de origem alimentar. Cerca de 200 doenças podem ser
veiculadas pelos alimentos e causadas por bactérias, fungos, vírus e parasitas, que
podem ser evitadas através de um processo de higienização correto (ANDRADE e
MACEDO, 1996). Isto é evidenciado na informação de que taxas de 5 a 10% das
toxinfecções de origem alimentar possuem como causa processos de higienização de
equipamentos mal realizados (MANCINI, 1992 apud KUNIGK, 1998). Além de
patologias, várias espécies de microrganismos podem gerar processos deteriorativos
nos alimentos. Esta situação gera perdas econômicas pela diminuição da confiança do
consumidor na imagem da empresa (ANDRADE e MACEDO, 1996).
Prevenir a instalação de um biofilme é a chave para seu controle, portanto, a
higienização deve ser feita frequentemente com a aplicação de tratamentos
combinados e com uma monitoração constante das superfícies (MITTELMAN, 1998).
De acordo com Giese (1991), a aplicação de um correto programa de higienização
não é somente responsável por uma produção segura, livre de perigos microbiológicos
9
ou químicos, mas também deve ser entendida como de interesse para a saúde pública.
2.4 Etapas envolvidas em processos de higienização de superfícies
Antes de descrever o processo de higienização de superfícies em contato com
alimentos é importante diferenciar as suas duas principais etapas: limpeza e
sanitização.
De acordo com Schmidt (1997), limpeza é a remoção total de resíduos sólidos
presentes nas superfícies através da utilização de detergentes químicos. Sanitização é
definida como a redução da população microbiana até níveis considerados seguros
para a saúde pública. Um processo eficiente de sanitização caracteriza-se, segundo a
Association of Analytical Communities (AOAC), por reduzir a população microbiana
presente em uma suspensão, em 5 ciclos logarítmicos por 30 segundos.
A sanitização pode ser realizada de maneira térmica, através utilização de água
quente ou vapor, ou química, pela ação de agentes sanitizantes químicos como
hipoclorito de sódio, ácido peracético, cloretos de benzalcônio entre outros (SCHMIDT,
1997; REED, 1992).
Com base nas informações anteriormente citadas parece evidente a necessidade
de um correto programa de higienização de equipamentos pelas empresas
processadoras de alimentos, a fim de se retirar as sujidades decorrentes do sistema
produtivo. De acordo com Honer (1992) “se a higienização não for correta, a produção
não será correta”.
O objetivo da higienização de superfícies é a remoção de nutrientes que possam
favorecer o desenvolvimento de bactérias e a eliminação das mesmas (SCHMIDT,
1997).
Para alcançar tais objetivos, um processo de higienização deve ser elaborado a
partir das características específicas dos resíduos presentes no equipamento e dos
recursos disponíveis para removê-los.
A primeira característica é, como já relatado, a composição do resíduo. A primeira
fonte de formação dos resíduos sólidos nos equipamentos é o próprio alimento que está
10
sendo processado. Vale relembrar que também contribuem para essas formações, os
minerais presentes na água utilizada no processo de higienização e a presença de
biofilmes. Dessa forma, a composição dos resíduos sólidos varia extensamente,
caracterizando-se pela presença de componentes dos alimentos e sais de águas duras
(SCHMIDT, 1997).
O entendimento de como a sujeira encontra-se aderida à superfície de um
equipamento é outro passo importante para se estruturar um eficiente processo de
higienização. A sujeira pode estar aderida à superfície de quatro maneiras distintas:
mecanicamente aprisionada em espaços vazios existentes; através da ação de forças
de coesão; unida por ação química ou pela presença de forças adsortivas (KUNIGK,
1998). Sua deposição sobre uma superfície é um processo espontâneo, resultando em
uma aparente queda de energia livre do sistema (energia livre de Gibbs). Então para
realizar a limpeza da superfície, ou seja, reverter a situação, é necessário fornecer
energia mecânica ou físico-química ao sistema (PASSOS, 1992).
Corroboram com o descrito no parágrafo acima Andrade e Macedo (1996) e
Reinemann e Rabotski (1993). De acordo com esses autores, um eficiente processo de
higienização é conseguido com a otimização dos quatro principais fatores envolvidos
neste processo: energias química, mecânica e física e o tempo de contato dos produtos
utilizados com as superfícies a serem higienizadas.
A energia química é utilizada no momento da realização das reações que ocorrem
durante o processo, como saponificação de gordura e peptização de proteínas por
agentes alcalinos; solubilização de resíduos minerais por agentes ácidos e diminuição
da carga microbiológica pela ação de agentes sanitizantes. As reações sobre os
resíduos reduzem suas forças de adesão à superfície (ANDRADE e MACEDO, 1996;
GIBSON et al.; 1999).
Energia mecânica será utilizada para estabelecer o contato entre os resíduos e os
microrganismos com os agentes de higienização. Pode ser empregada de forma
manual ou pela circulação de soluções no interior de tubulações e equipamentos
fechados como a utilizada em sistemas Clean-in-Place (CIP) onde a tensão de
cisalhamento, aplicada pelo fluxo dos agentes de higienização em um equipamento,
11
promove a remoção de resíduos (JEURNINK e BRINKMAN, 1994; ANDRADE e
MACEDO, 1996; GIBSON et al.; 1999).
A energia térmica facilita o processo de higienização. Temperaturas mais elevadas
podem aumentar a eficiência do processo, pois os efeitos químicos no processo
aumentam linearmente com a temperatura. Porém limitações são verificadas, na
utilização deste fator, em função do processo de limpeza e o tipo de resíduo que deverá
ser removido (ANDRADE e MACEDO, 1996; GIBSON et al.; 1999).
O estabelecimento do tempo adequado ao processo de limpeza e sanitização é
fundamental para a eficiência do processo. Deve ser suficientemente longo para que as
reações químicas ocorram a contento. Porém é importante observar que as reações
químicas de higienização ocorrem com maior eficiência nos minutos iniciais de contato.
Tempos excessivos diminuem a produtividade da indústria, pois elevam seus custos,
principalmente devido à parada de produção e elevação do volume de efluentes que
precisará ser tratado posteriormente (ANDRADE e MACEDO, 1996).
A implantação de um correto processo de higienização reverte em custos para a
indústria, justificando o porquê de muitas vezes ser realizado de forma negligenciada.
Rebello (1988 apud Jun e Puri, 2005) relatou que na década de 80 o custo estimado
anual com o processo de higienização pelas indústrias norte-americanas encontrava-se
entre US$ 4 e 7 bilhões. Destes, 23,9% se deviam à água utilizada e 7,5%, aos agentes
de limpeza. Sandu e Sinch (1991) estimam em US$ 20 milhões o custo anual com
agentes de limpeza na indústria leiteira. Para Pritichard et al. (1988) apud Grant et al.
(1997), 42% do tempo disponível nesse setor são destinados a processos de
higienização.
O grande desafio da higienização moderna é aumentar sua efetividade e diminuir
seus custos. Parâmetros envolvidos no processo como temperaturas, concentrações e
volume de soluções devem ser reduzidos tanto quanto for possível. Custo energético
está envolvido na elevação e manutenção das temperaturas das soluções (MROZEK,
1985).
A água utilizada nas diferentes etapas do processo é um fator importante a ser
considerado. Reduzir a quantidade de água proporciona economia em três frentes:
12
minimização do custo da própria água, de energia para aquecimento e de reagentes
químicos para preparo das soluções, além de evitar gastos excessivos com o
tratamento de efluentes (MROZEK, 1985). Também é importante salientar que a
utilização de água dura acarreta elevação dos custos do processo, pois aumenta o
consumo de detergentes (GIESE, 1991).
O estabelecimento da cinética de remoção de resíduos pode otimizar a realização
de operações de higienização e construção de trocadores de calor, resultando em
redução dos custos operacionais desses equipamentos na ordem pelo menos 50%
(Jong, 1997 apud, Jun e Puri, 2005). De acordo com Jeurnink e Brinkman (1994), a
otimização dos procedimentos de higienização reduzem seus custos energéticos em
taxas de até 50%. Por sua vez os custos com agentes de higienização são reduzidos
em 25% e o nível de perdas de produtos apresenta uma redução de 5%.
Um processo de higienização adequado estabelece um procedimento padrão
composto pelas seguintes etapas (SCHMIDT, 1997; ANDRADE e MACEDO, 1996;
LEITÃO, 1975; GIESE, 1991):
2.4.1 Pré-lavagem
Etapa em que só é utilizada água. Visa reduzir a quantidade de resíduos presentes
na superfície dos equipamentos. Remove os compostos mais fracamente aderidos.
Cerca de 90% dos resíduos solúveis em água podem vir a ser removidos nesta fase do
processo de higienização (ANDRADE e MACEDO, 1996; LEITÃO, 1975; FRYER et al.,
2006).
A facilidade com a qual o resíduo será removido da superfície é função da sua
solubilidade. Dessa forma são classificados de acordo com esse quesito em
(SCHMIDT, 1997; LEITÃO, 1975):
i) Solúveis em água: açúcares, alguns tipos de amidos, maioria dos sais;
ii) Solúveis em ácidos: maioria dos depósitos minerais;
iii) Solúveis em álcalis: proteínas, emulsões gordurosas;
13
iv) Solúveis em água, álcali ou ácido.
É importante que se analise também a condição em que se encontra o resíduo
para verificar se o mesmo está seco, fresco, esponjoso ou cozido (REED, 1992).
A temperatura adequada da água deve estar na faixa de 38ºC a 46ºC, pois
temperaturas superiores podem provocar desnaturação de proteínas, que facilita a
aderência desses compostos à superfície dos equipamentos; temperaturas mais baixas
podem ocasionar a solidificação de gorduras, que prejudica a eficiência da limpeza
(Leitão, 1975). Por outro lado estudos realizados por Middlemiss et al. (1985)
demonstraram que o nível de remoção de resíduos com água a 20ºC apresentou
resultados similares aos obtidos à temperatura de 40ºC. De acordo com o autor, a
remoção de resíduos neste caso é basicamente um processo físico de separação dos
substratos mais fracamente aderidos.
De acordo com Middlemiss et al. (1985) estudos realizados por outros
pesquisadores revelam um aumento na formação de pedras de leite quando a
temperatura da água nesta etapa era igual ou superior a 49ºC.
O tempo da pré-lavagem deve ser cuidadosamente estimado. Se for intensamente
reduzido resultará em altos níveis de resíduos remanescentes na superfície, o que
redundará em rápido esgotamento dos detergentes. Se for superestimado provocará a
geração de um volume grande de efluentes cujos tratamentos tornar-se-ão mais
custosos (TURNER, 1982).
2.4.2 Aplicação de soluções de detergentes
Etapa realizada para a remoção da sujidade mais aderida à superfície que não foi
removida na etapa anterior. Aplica-se uma solução de detergente, que é definido como
toda substância que, sozinha ou misturada, reduz o trabalho necessário para realizar
um processo de limpeza (PASSOS, 1992).
A correta execução da etapa de limpeza com detergentes permite que a etapa de
sanitização se realize de forma adequada, pois a maioria dos sanitizantes reage com
matéria orgânica provocando, dessa forma, redução na sua eficiência (Hobbs e
14
Roberts, 1997). Além do efeito sobre os resíduos, os detergentes atuam diretamente
sobre a população microbiana em uma superfície. Estudos realizados por Gibson et al.
(1999) demonstraram a redução em 1 ciclo logaritmo da população de microrganismos
localizados em superfície de aço inoxidável. Os mesmos autores mencionam estudos
anteriores nos quais a redução alcançada nesta etapa foi de aproximadamente 3 ciclos
logaritmos.
O detergente entra em contato com a sujidade aderida no equipamento,
separando-a e dispersando-a no solvente (no caso a água), com o intuito de prevenir
nova deposição. Para realizar essa tarefa, a concentração da solução, a temperatura de
aplicação e o tempo de contato com o resíduo devem ser definidos de acordo com as
condições de trabalho existentes (ANDRADE e MACEDO, 1996; LEITÃO, 1975).
Para a correta aplicação das soluções de detergentes, alguns parâmetros
operacionais devem ser observados. A temperatura de utilização é de suma importância
para sua eficácia. Isso se deve à natureza essencialmente física de sua ação
(MIDDLEMISS et al., 1985).
Soluções de detergente com temperaturas elevadas possibilitam acelerar o
processo de remoção de resíduos, por diminuir as forças de ligação entre os resíduos e
a superfície, e aumentar tanto a velocidade das reações, como a solubilidade de
compostos solúveis. Concomitantemente, acarreta, também, diminuição da viscosidade
dos fluidos, o que remete a uma maior turbulência no escoamento e consequente maior
ação mecânica na limpeza, condição essa fundamental para uma elevação na
eficiência em sistemas de limpeza automáticos (FORSYTHE e HAYES, 2002; LEITÃO,
1975).
A fusão das gorduras, que ocorre a temperaturas superiores a 35-37ºC, faz com
que a utilização de temperaturas mais elevadas também propicie uma maior eficácia na
ação do detergente nessas condições (Middlemiss et al., 1985). Entretanto é importante
observar que cada detergente tem sua temperatura ótima de ação que deve ser
monitorada durante o processo de aplicação. A velocidade de remoção de sujidade
aumenta, em média, 1,5 vezes a cada 10ºC de aumento da temperatura. Porém
temperaturas superiores à faixa de 43ºC a 54ºC dificilmente são utilizadas, pois podem
15
provocar a desnaturação proteica, efeito este que dificulta a sua remoção (KUNIGK,
1998; LEITÃO, 1975).
Outro parâmetro operacional que deve ser observado é o tempo de contato entre
sujidades e as soluções de detergente. Existem tempos mínimos e ótimos de ação
(Andrade e Macedo, 1996). Estudos realizados mostram que o tempo de contato pode
ser reduzido com a utilização de maiores concentrações de detergente ou se for
aplicada maior ação cisalhante (Kunigk, 1998). É importante salientar que tempos
mínimos devem ser adequadamente avaliados para garantir uma adequada ação dos
componentes químicos (FRYER et al., 2006).
O uso da correta concentração dos detergentes em solução é citado por Parkar et
al. (2003). Estudos realizados por esses autores demonstraram que ao diminuir a
concentração dos agentes de limpeza pela metade, houve morte das células em
quantidade semelhante à alcançada com a concentração original. Porém houve
ineficiência na remoção de todas as células e resíduos da superfície. Para Marshall
(1994) os resíduos proporcionados pelas células mortas tornam-se locais aptos para a
instalação de novas células ou materiais orgânicos, resultando numa formação mais
rápida de biofilme posteriormente.
Porém outros estudos mencionados por Fryer et al. (2006) demonstram que um
aumento não criterioso na concentração de detergente pode ocasionar maior
dificuldade na remoção de sujidades. De acordo com Gallot-Lavallee et al. (1984) isso
ocorre devido à dificuldade que o detergente tem em penetrar no resíduo,
proporcionada pelo aumento da viscosidade da solução.
Além dos três fatores citados anteriormente (tempo de contato, temperatura e
concentração do detergente), a remoção de sujidades de um equipamento deve contar
com ação mecânica, que decompõe a sujidade e colabora na sua remoção das
superfícies (ANDRADE e MACEDO, 1996).
A energia mecânica é aplicada através de fricção, na qual forças de cisalhamento
atuam sobre a superfície do equipamento. As forças de cisalhamento atuarão de forma
mais intensa, quanto maior for a taxa de escoamento; porém, limites ao fluxo devem ser
observados, pois podem ocasionar gastos excessivos no sistema de bombeamento e
16
desgaste das superfícies por abrasão (Reed, 1992; Fryer et al., 2006).
Outro parâmetro utilizado para dimensionar a energia mecânica aplicada no
processo de higienização é o número de Reynolds. Estudos realizados por Gallot-
Lavallee et al. (1984) determinam que qualquer aumento na taxa de escoamento,
resultando em valores de Reynolds entre 10.000 e 70.000, implica em aumento na
eficácia do processo de limpeza.
O fato de todos os parâmetros operacionais serem bem executados não remeterá
em um adequado processo de higienização se o detergente utilizado não for o
apropriado para a remoção de um determinado tipo de resíduo. Por isso é importante o
conhecimento da composição do detergente que será utilizado.
Os detergentes contêm, em sua formulação, diversos compostos químicos que
agem sobre os resíduos de diferentes maneiras. Estes podem ser divididos em
(SCHMIDT, 1997):
i) Compostos fisicamente ativos, que alteram a solubilidade e a estabilidade
coloidal do resíduo;
ii) Compostos quimicamente ativos, que modificam os componentes dos
resíduos tornando-os mais solúveis e, conseqüentemente, mais fáceis de
serem removidos.
Dentre os componentes fisicamente ativos estão os surfactantes (tensoativos) que
possuem em sua estrutura uma porção hidrofílica e outra hidrofóbica. Agem
emulsionando3, penetrando, dispersando4 e umidificando5 os resíduos (SCHMIDT,
1997; LEITÃO, 1975; REED, 1992).
Dentre os componentes quimicamente ativos podem ser citados agentes
3 “Reação com óleo e gordura, transformando-os em pequenas partículas que permanecem em suspensão coloidal na solução de
detergente” (Leitão, 1975, p. 8). A emulsão evita a aglomeração das partículas que permanecem em suspensão por um longo período de tempo (REED, 1992).
4 “Propriedade que caracteriza a desagregação de agregados de resíduos em minúsculas partículas individuais, as quais são
facilmente suspensas e removidas dos equipamentos” (LEITÃO, 1975, p. 7; REED, 1992).
5 “Propriedade de reduzir a tensão superficial do meio aquoso, de forma a aumentar sua capacidade de penetração em resíduos”
(LEITÃO, 1975, p. 8).
17
sequestrantes6, como tripolifosfato de sódio, organo-fosfatos e EDTA, que formam
complexos solúveis com cálcio e magnésio que gerariam depósitos minerais
(SCHMIDT, 1997; TURNER, 1982; REED, 1992; GIESE, 1991).
Nenhuma substância simples possui todas essas propriedades. Então, para cada
necessidade de operação de higienização, são realizadas formulações específicas que
atendam às demandas do processo (GIESE, 1991).
Os ingredientes quimicamente ativos mais importantes subdividem os detergentes
utilizados nas limpezas que utilizam o sistema CIP em duas classes: alcalinos e ácidos
(SCHMIDT, 1997).
2.4.2.1 Detergentes alcalinos
As soluções alcalinas7 são utilizadas por serem eficientes na remoção de
gorduras, proteínas, carboidratos e na diminuição da carga microbiana (ANDRADE e
MACEDO, 1996; SCHMIDT, 1997; JEURNINK e BRINKMAN, 1994; GIESE, 1991).
Em gorduras os detergentes alcalinos agem através da ação emulsificante ou de
saponificante8 de seus ingredientes (Schmidt, 1997; Leitão, 1975). Em proteínas, agem
principalmente através da quebra de sua estrutura em porções menores (peptização)
ou por solubilização (MIDDLEMISS et al., 1985).
Na remoção de gorduras, tempos menores de processo podem ser mais efetivos
que longos tempos, pois neste último caso pode haver coalescência e redeposição
(MIDDLEMISS et al., 1985).
Por sua vez, as proteínas encontradas na indústria de alimentos caracterizam-se
por serem os resíduos sólidos de maior dificuldade para remoção. Como comprovação
cita-se o fato de que a caseína (principal proteína do leite) é utilizada por suas
propriedades adesivas em colas e tintas. Quando desnaturadas, as proteínas
apresentam maior nível de dificuldade em sua remoção, necessitando que os
6 “Propriedade de evitar a deposição de sais minerais indesejáveis nas superfícies em limpeza, usualmente pela formação de
quelatos” (Leitão, 1975, p. 9). Quelatos são complexos solúveis e estáveis, com uma típica estrutura de anel (REED, 1992).
7 Alcalinos são agentes químicos que em solução liberam íons hidroxila, propiciando pH superior a 7,0.
8 “Propriedade do detergente de reagir com gorduras, causando sua saponificação, ou seja, transformação em sabões, que são
removidos” (Leitão, 1975, p. 9). A reação básica é: gordura + NaOH = sabão + glicerol (REED, 1992).
18
detergentes alcalinos tenham em sua formulação agentes peptizantes9 ou
dissolvedores10 (SCHIMIDT, 1997).
As camadas formadoras dos resíduos são removidas em ordem inversa a sua
deposição (Middlemiss et al., 1985). De acordo com Grasshoff (1988 apud Jeurnink e
Brinkman, 1994) o processo de remoção de resíduos de leite se dá por um prévio
inchamento das camadas superiores após contato com detergente alcalino, seguido de
sua remoção. O inchamento é justificado pela quebra de algumas ligações entre os
resíduos ou de um aumento na repulsão entre as moléculas componentes, causado
pelo elevado pH da solução alcalina. Rachaduras surgem nas estruturas, facilitando
ainda mais a penetração do agente de limpeza (Jeurnink e Binkman, 1994). As
camadas remanescentes, constituídas principalmente por minerais, são removidas pela
ação de detergente ácido que deverá ser adicionado posteriormente.
Dessa maneira é importante conhecer esses dois tipos de detergente para que
sua utilização seja otimizada. Os detergentes alcalinos são classificados em
(SCHMIDT, 1997; REED, 1992):
i) Detergente de alta alcalinidade11: NaOH ou KOH. Apresentam grande
capacidade de saponificar gorduras. Possuem pH superior a 13 e são
utilizados para remoção de sujidades mais incrustadas, derivadas de
processos nos quais elevadas temperaturas foram utilizadas (GIESE,
1991);
ii) Detergente de moderada alcalinidade: De acordo com Giese (1991)
detergente com moderada alcalinidade apresenta soluções com valores
de pH entre 10 e 12, com metassilicato de sódio entre seus componentes.
Por sua vez, detergentes contendo carbonato de sódio apresentam baixa
alcalinidade com pH das soluções entre 7 e 10 sendo utilizado
principalmente na lavagem manual das superfícies.
9 “Propriedade de reagir e dispersar proteínas, havendo formação de soluções coloidais, parcialmente solúveis” (LEITÃO, 1975, p.8;
REED, 1992).
10 “Ação pela qual partículas insolúveis de resíduos reagem quimicamente com os agentes de limpeza, dando produtos solúveis em
água” (Leitão, 1975, p.9). Exemplo desse fenômeno é a reação de um agente alcalino com ácido que resulta em um produto solúvel em água (REED, 1992).
11 Medida da quantidade de álcalis em uma solução (REED, 1992).
19
O álcali mais utilizado em equipamentos como trocadores de calor e
concentradores é o hidróxido de sódio que se caracteriza por ser o mais barato dos
agentes alcalinos e possuir grande capacidade de remover proteínas e gorduras, além
de não provocar a corrosão do aço inoxidável (Andrade e Macedo, 1996; Turner, 1982).
O principal inconveniente da utilização do hidróxido de sódio (NaOH) é sua baixa
molhabilidade que poderá ser melhorada com a adição de um tensoativo na
composição do detergente (TURNER, 1982).
Independente de sua classificação, as soluções alcalinas devem ser utilizadas a
uma temperatura superior que a do aquecimento do produto (BARNARD et al., 1992).
A concentração utilizada de detergente alcalino é dependente do resíduo a ser
removido e da alcalinidade ativa do composto. A alcalinidade ativa de um composto,
expressa em Na2O, é um importante indicador do valor do detergente no processo de
limpeza, pois parte dela é usada para a remoção dos resíduos, através das ações
citadas anteriormente, e outra parte é utilizada para neutralização dos agentes ácidos
presentes nos mesmos (LEITÃO, 1975).
É citada por Stemerdink e Brinkman (1990) apud Jeurnink e Brinkman (1994) a
existência de detergentes alcalinos com componentes sequestrantes em sua
composição para a remoção, por estes, dos resíduos minerais, dispensando, algumas
vezes, a utilização de detergentes ácidos.
2.4.2.2 Detergentes ácidos
Os detergentes ácidos são utilizados na remoção de resíduos minerais por
transformar os sais insolúveis em água em compostos solúveis (SCHMIDT, 1997;
JEURNINK e BRINKMAN, 1994). Essas formulações podem conter ácidos orgânicos,
como os ácidos glucônico e cítrico, ou inorgânicos, como o sulfúrico (H2SO4), clorídrico
(HCl), fosfórico (H3PO4) e nítrico (HNO3) (ANDRADE e MACEDO, 1996; SCHMIDT,
1997; LEITÃO, 1975).
Como no caso dos detergentes alcalinos, os detergentes ácidos possuem sua
concentração de utilização dependente do resíduo a ser removido, e a concentração
baseada em sua acidez ativa (LEITÃO, 1975).
É de fundamental importância o conhecimento, pelos operadores do processo,
20
da função de cada agente utilizado e o momento de sua correta utilização. O uso
inapropriado do detergente pode dificultar a remoção de resíduos. A utilização de
agentes ácidos antes da completa remoção dos resíduos orgânicos, por exemplo, pode
precipitar proteínas (SCHMIDT, 1997; LEITÃO, 1975). Para evitar equívocos é
necessário o estabelecimento de um procedimento escrito com quantidades, produtos,
tempos e temperaturas envolvidos no processo (BARNARD et al., 1992). Outro aspecto
importante é a composição da água utilizada nos enxágues e no preparo das soluções.
Ao utilizar-se água com dureza elevada, pode ocorrer a precipitação de carbonato de
cálcio ou de magnésio quando a água for aquecida ou alcalinizada e, desta forma, a
higienização do equipamento ficará comprometida.
2.4.3 Enxágue
Etapa que tem por objetivo a remoção dos resíduos suspensos pela ação do
detergente através da utilização de água, evitando que ocorra nova deposição durante
a secagem, e eliminar as frações residuais das soluções de detergentes aplicadas
anteriormente (ANDRADE e MACEDO, 1996; FRYER et al., 2006).
Qualquer detergente deixado no sistema após o processo de lavagem pode
contaminar o produto, alterando suas características organolépticas, devendo ser
considerado como um aditivo incidental (KUNIGK, 1998).
Por ser um processo exclusivamente físico, os fatores envolvidos neste processo
são vazão e temperatura da água utilizada. A vazão de escoamento interfere no
cisalhamento aplicado sobre a superfície a ser higienizada, enquanto a temperatura na
solubilidade dos resíduos.
2.4.4 Sanitização
Esta etapa do processo de higienização tem por objetivo a eliminação de
microrganismos patogênicos e a redução do número de microrganismos deterioradores
até níveis considerados seguros (ANDRADE e MACEDO, 1996; LEITÃO, 1975; REED,
1992). As formas de microrganismos não patogênicos mais resistentes que
sobreviverem sobre as superfícies não devem afetar a qualidade dos alimentos nem
21
tampouco dificultar sanitizações posteriores (FORSYTHE; HAYES, 2002).
Resíduos orgânicos, que porventura não forem removidos nas etapas anteriores,
além de proteger os microrganismos da ação do sanitizante, atuam como fonte de
nutrientes (ANDRADE e MACEDO, 1996). De acordo com Schmidt (1997), o resíduo
sólido reduz a atividade do agente sanitizante, podendo até inativá-lo. Para Giese
(1991): “Não se pode sanitizar uma superfície suja”.
Outro aspecto importante reforça a proposição de necessidade da ausência de
resíduos remanescentes ao início dessa etapa. A presença de rachaduras nos resíduos
pode servir de depósito de microrganismos. Como a ação do sanitizante depende do
contato com o microrganismo, pode haver prejuízo na sua efetividade (SCHMIDT,
1997).
A sanitização deve ser realizada imediatamente antes do uso do equipamento,
sendo importante observar que não elimina eventuais falhas de etapas anteriores
(ANDRADE e MACEDO, 1996).
Pode ser realizada, como já citado, de forma térmica ou química. No primeiro
caso, o calor pode ser transferido para a superfície utilizando-se vapor de água ou água
quente (SCHMIDT, 1997; LEITÃO, 1975; TURNER, 1982). A atividade antimicrobiana
destes métodos dependerá principalmente do binômio tempo-temperatura (GIESE,
1991).
A utilização de vapor apresenta aplicação limitada, pois gera custos mais
elevados, se comparada com a utilização de água quente, e é de difícil operação, pois o
tempo e temperaturas de contato são de complexo monitoramento (SCHMIDT, 1997;
TURNER, 1982). As condições de processo variam de 77ºC durante 15 minutos a 93ºC
durante 5 minutos de contato (LEITÃO, 1975).
O sistema com utilização de água quente pode ser realizado na forma de
imersão, spray ou circulação de água. Custo relativamente baixo, facilidade de
aplicação, rápida disponibilidade do equipamento, efetividade sobre uma grande
variedade de microrganismos, relativa não-corrosividade e a sanitização de rachaduras
e fendas são as principais vantagens da utilização da água quente.
As desvantagens relacionadas com a utilização do calor na sanitização são:
lentidão do processo, alto custo energético, contribuição para a formação de filmes de
água e redução da vida útil de certos equipamentos ou parte destes como as gaxetas
22
(SCHMIDT, 1997). Giese (1991) ressalta, ainda que alguns esporos bacterianos podem
sobreviver à temperatura de ebulição por mais de uma hora e se a água utilizada for
dura, pode ocorrer a precipitação de carbonatos. Para o caso de equipamentos de
processamento de alimentos deve-se utilizar água a 77ºC durante 5 minutos (LEITÃO,
1975).
Os sanitizantes químicos devem apresentar algumas propriedades para que
sejam utilizados em um equipamento, como: ser aprovado para aplicação em
superfícies de contato com alimentos pelos órgãos governamentais competentes,
possuir largo espectro de ação microbiológica, agir rapidamente sobre os
microrganismos, ser estável e resistente à presença de materiais orgânicos e aos
detergentes, ser rapidamente solubilizado, possuir baixo grau de corrosividade e
toxicidade e apresentar baixo custo (SCHMIDT, 1997; GIESE, 1991).
A escolha de um sanitizante depende de uma análise ampla das condições
envolvidas e, devido à constante modificação da resistência dos microrganismos, um
sistema de rodízio de sanitizantes deve ser implantado (GIESE, 1991).
Os tipos de sanitizantes químicos mais utilizados na indústria de alimentos são
aqueles à base de cloro, ácido peracético, iodo, compostos quaternários de amônio e
peróxido de hidrogênio (ANDRADE; MACEDO, 1996; MITTELMAN, 1998; LEITÃO,
1975; GIESE, 1991).
Os sanitizantes à base de cloro (cloro líquido, hipocloritos, cloroaminas
inorgânicas e orgânicas) são os mais utilizados pelas indústrias de alimentos no Brasil
por apresentarem baixo custo, rápida ação antimicrobiana, não serem afetados pela
dureza da água, possuir ação esporicida e serem preparados e aplicados com
facilidade (ANDRADE; MACEDO, 1996; SCHMIDT, 1997; LEITÃO, 1975). Entretanto,
são sensíveis à luz, corroem materiais como aço inoxidável e outros metais, e causam
irritação à pele se manuseados inadequadamente (GIESE, 1991).
Temperaturas e concentrações elevadas, longos tempos de contato e redução
do pH da solução sanitizante permitem uma maior eficiência na sanitização por
compostos clorados. Porém, qualquer situação de abuso nestas condições, pode
propiciar aumento das taxas de corrosão, mesmo em aço inoxidável. Condições ideais,
portanto, devem ser determinadas. Segundo Turner (1982), a concentração máxima
recomendada é 200 mg.L-1 de cloro livre e segundo Andrade e Macedo (1996) e
23
Schmidt (1997), quando esses compostos são utilizados em circulação os parâmetros
adotados são: pH entre 7,5 e 8,5, temperatura de 20 a 25ºC e contato de 15 a 30
minutos.
A presença de substâncias orgânicas e/ou inorgânicas, muitas vezes presentes
em resíduos de detergentes, pode causar a perda de efetividade do sanitizante por
reagir quimicamente com o mesmo, além de proteger fisicamente os microrganismos da
ação do agente químico (Honer, 1992). Por isso é de fundamental importância que a
superfície seja adequadamente enxaguada antes da utilização do sanitizante.
Para verificação da eficiência de um sanitizante, o teste Chambers é utilizado, no
qual se deve atingir uma redução de 99,999% da população de Escherichia coli e
Staphylococcus aureus a 20ºC após 30 segundos de aplicação do produto na
concentração de uso (GIESE, 1991).
2.4.5 Enxágue
Etapa realizada com a passagem de água para a retirada de compostos
sanitizantes, caso seja necessário.
2.5 Sistemas de Higienização
A seleção da metodologia a ser empregada em um sistema de higienização
depende do tipo de operação e de resíduo que deverá ser removido. Os sistemas de
higienização podem ser realizados manualmente, por imersão, aspersão ou pelo
sistema clean-in-place (LEITÃO, 1975; GIESE, 1991).
O sistema manual caracteriza-se pelo uso de detergentes pré-selecionados, a
temperaturas entre 46ºC e 49ºC e aplicados com escovas ou esponjas. Raspadores,
esguichos de alta e baixa pressão também podem ser utilizados como auxiliares no
processo de limpeza. As escovas devem ser de material sintético resistente ao calor, ao
produto químico e à umidade (GIESE, 1991).
O sistema de imersão é utilizado na limpeza de utensílios, componentes de
equipamentos, válvulas, além do interior de tachos e tanques. Esses são tratados
previamente com água morna e, posteriormente, são sujeitos à solução detergente
durante 15 a 30 minutos à temperatura de 52ºC. Ao final do processo são escovados e
24
lavados com água a 82ºC.
De acordo com Giese (1991) antes de ser desmontado, todo o equipamento
deve sofrer uma pré-lavagem para remoção dos resíduos grosseiros das superfícies.
Posteriormente as partes desmontadas são colocadas em tanques com recirculação
para higienização. Os tempos envolvidos são de 30 a 40 minutos para lavagem com
detergente alcalino e de 5 a 10 minutos para a utilização do detergente ácido.
O sistema de aspersão é utilizado para limpeza de interiores de tanques
principalmente de equipamentos de difícil acesso como, por exemplo, esteiras
transportadoras.
A higienização pelo sistema clean-in-place (CIP) tem substituído os processos de
limpeza manual de equipamentos que trabalham com alimentos líquidos tais como leite,
cerveja, bebidas não alcoólicas entre outros sendo mais empregados na limpeza e
sanitização de tanques, trocadores de calor, tubulações e homogeneizadores
(FORSYTHE; HAYES, 2002; GIESE, 1991).
Este processo de higienização apresenta um custo inicial mais elevado, porém
torna-se, com o tempo, mais econômico devido às vantagens que oferece (Forsythe;
Hayes, 2002), a saber (SHARP, 1985 apud KUNIGK, 1998):
i) menor custo com mão de obra;
ii) funcionamento mais econômico com aproveitamento ótimo das soluções
utilizadas;
iii) melhores níveis alcançados na higienização, desde que todas as etapas
sejam cumpridas corretamente;
iv) maior rapidez e aumento da produtividade por não haver necessidade de
desmonte de equipamentos;
v) menor desgaste mecânico de tubulações e equipamentos pela não
necessidade de desmontagem (LEITÃO, 1975);
vi) redução do custo com produtos de higienização, pois os mesmos podem
ser reutilizados;
vii) redução de erros humanos associados à limpeza manual, pois todas as
etapas são controladas automaticamente;
viii) maior segurança dos funcionários, pois estes não precisam entrar nos
equipamentos para realizar a limpeza manual e nem manipular soluções
25
concentradas e aquecidas dos produtos de limpeza e sanitização.
Os parâmetros operacionais a serem estudados neste sistema, que garantem a
eficiência no processo são, basicamente: o tempo, a temperatura, a concentração dos
agentes de limpeza e o grau de turbulência do escoamento (Turner, 1982; Reinemann e
Rabotski, 1993). Desses parâmetros, os três primeiros são interdependentes, podendo-
se aumentar qualquer um dos fatores com o objetivo de se reduzir os outros.
Em combinação com tempo, temperatura e concentração dos agentes de
limpeza, a taxa de escoamento das soluções deve ser dimensionada adequadamente
para um sistema CIP. Não somente para permitir o contato adequado do detergente
com o resíduo, mas também para criar um estado de turbulência adequado para facilitar
a remoção. Como recomendação, aconselha-se escoar as soluções com aumento de
1/3 em relação aos níveis normais de escoamento do produto alimentício em trocadores
de calor e tubulações (TURNER, 1982).
Para aumentar o nível de turbulência do escoamento, com aumento de dez a
vinte vezes na tensão de cisalhamento aplicada à superfície, tem-se implementado a
utilização de injeção de ar em conjunto com as soluções, aumentando, dessa forma, a
velocidade de circulação e a ação mecânica do processo (WONG, 1998).
O tempo é o fator de controle no processo CIP de mais fácil modificação e,
também, o mais pressionado pelos operadores, pois se procura sempre reduzi-lo
(Kunigk, 1998). A redução deve ser feita de forma criteriosa, pois tempo de contato
insuficiente proporciona uma inadequada ação dos agentes de limpeza.
O tempo de passagem da água de pré-lavagem e de enxágue deve ser
corretamente estimado, pois o reduzindo em demasia, pode-se ter uma ineficiente
remoção de resíduos e de detergente. Por outro lado, se for aumentado em demasia,
geram-se grandes volumes de efluentes, acarretando maiores custos para a empresa
(KUNIGK, 1998).
Sistemas CIP modernos são controlados através de softwares que regulam
automaticamente as concentrações, as temperaturas das soluções e suas taxas de
escoamento. Registram o processo através da utilização de gráficos e interrompem-no,
sempre que algum desvio ao previamente programado ocorrer (Honer, 1992). Contudo,
de acordo com Fryer; Christian e Liu (2006), esses processos são altamente
desenvolvidos e automatizados, porém raramente otimizados.
26
De acordo com Bakka (1991, apud Giese, 1991) existem três sistemas
diferenciados de CIP: sistemas com um, dois ou três tanques.
O sistema com um tanque (simples-passo) tem o descarregamento das soluções
após a circulação diretamente para rede de captação. Os outros sistemas reutilizam as
soluções e a água de enxágue. Nos sistemas com dois tanques um é destinado à água
de pré-enxague e outro para solução de detergente. Já no sistema com três tanques,
repete-se o modelo de dois tanques, com um adicional contendo água potável para
enxágue final. De acordo com o mesmo autor, apesar de os sistemas de recirculação
possuírem um custo inicial elevado, apresentam um custo operacional menor que o de
tanque único, pois se recuperam não apenas as soluções, mas, também, parte da
energia térmica que porventura possa ser utilizada.
O maior problema gerado com processos CIP é a redução de responsabilidade
por parte dos operadores não treinados, acarretando não conformidades no processo.
Segundo Turner (1982), em sistemas manuais de higienização a rotina de trabalho
inclui uma observação contínua das condições higiênicas das partes desmontadas nos
equipamentos. Enquanto que em sistemas CIP, a obrigação do operador, muitas vezes
em sua opinião, é apenas acionar o botão de início do processo. É importante observar,
também, o relatado por Wong (1998) de que microrganismos podem permanecer na
superfície higienizada mesmo após processos CIP serem realizados.
A falta de cuidado ao realizar procedimentos de higienização periódicos pode
originar problemas de incrustações que são potencializados em indústrias onde o
sistema CIP está instalado. De acordo com Turner (1982) se por algum motivo, um
equipamento fica sem a rotina de limpeza, a quantidade de resíduos, devido às
produções realizadas, aumenta, o que dificultará a sua remoção, além de necessitar de
concentrações mais elevadas de detergente futuramente.
É importante destacar que mesmo com o sistema CIP implantado na indústria,
algumas partes do sistema devem ser higienizadas manualmente como estruturas
presentes em tanques tais como agitadores, gaxetas, coletores de amostras, válvulas e
em envasadoras como copos e pistões, correntes de movimentação e calefatores
(BARNARD; IVKOVICH, CAULLER, 1992).
27
2.6 Sistemas de controle tipicamente empregados em sistemas CIP
A sequência do processo CIP pode ser realizada tanto manualmente como
automaticamente. A automação do processo tem vantagens e desvantagens sobre o
processo manual. Marriot (1994) apresenta as seguintes vantagens do processo
automatizado em relação ao processo manual:
i) Confiabilidade de que todas as etapas foram realmente cumpridas;
ii) Confiabilidade de que os tempos das etapas foram obedecidos;
iii) Possibilidade de obter registro da atividade para efeito de fiscalização e
ISO 9000;
iv) Redução de mão de obra (redução de custos);
v) Melhoria na higiene devido ao melhor controle das operações;
vi) Conservação das soluções utilizadas na limpeza;
vii) Melhoria na utilização dos equipamentos, pois estes podem ser
higienizados imediatamente após o uso permitindo nova batelada ser
iniciada.
Outra vantagem segundo Hardwick (1995) é a de que os sistemas CIP, sendo
fechados, facilitam o combate aos micro-organismos presentes no ar, no solo e na
matéria prima.
Dentre as desvantagens apresentadas pelo processo automatizado, pode-se
citar (Marriot, 1994):
i) Custo de implantação devido ao fato de que cada sistema tem
características
ii) próprias que necessitam de projeto e equipamentos “customizados”;
iii) Custo de manutenção é mais elevado devido à sofisticação do
equipamento;
iv) Falta de flexibilidade no sistema caso haja variações nos equipamentos ou
produtos a serem processados;
Os primeiros sistemas CIP eram automatizados com o uso de relés montados
em painéis. Os maiores inconvenientes a este tipo de tecnologia eram:
i) Grande espaço requerido;
ii) Dificuldades de ajuste dos tempos de processo;
iii) Dificuldade de alteração da lógica do processo;
28
iv) Elevado consumo de energia;
v) Elevado nível de ruído;
vi) Difícil localização de defeitos.
O grande avanço na automação de sistemas CIP está baseado no Controlador
Lógico Programável (CLP) que é apresentado na Figura 2.1. Este equipamento
eletrônico substituiu com grande vantagem os painéis de relés eliminando todos os
problemas que estes apresentavam. Adicionalmente quando interligados com uma
interface homem-máquina adequada, tal como um computador usado para monitoração
do processo, mostram ao operador o comportamento global do processo em tempo
real, incluindo registro de alarmes e eventos.
Figura 2.1 – Controladores Lógicos Programáveis Fonte: Rockwell
Segundo o fabricante KHS – Ziemann-Lies, um sistema de limpeza CIP típico é
constituído por:
i) Um tanque utilizado para armazenar a solução de limpeza (detergente);
ii) Um tanque utilizado para armazenar água quente;
iii) Um tanque utilizado para recuperação da solução detergente que será
utilizada na etapa de pré-enxágue do processo posterior;
iv) Bomba(s) centrífuga(s) para o transporte dos fluídos;
v) Trocador de calor;
vi) Condutivímetro;
vii) Controlador e indicador de temperatura;
viii) Válvula de controle automático e
29
ix) Válvulas solenóides.
Ainda segundo o fabricante citado, para processos mais complexos podem ser
utilizados tanques de solução sanitizante fria (à base de cloro) e de água tratada fria.
O processo de limpeza CIP pode ser executado tanto de forma manual como de
forma automática. Nos processos executados de forma manual, é o operador do
processo quem executa as manobras necessárias nas válvulas e equipamentos, bem
como o controle dos parâmetros do processo, a saber: tempos, temperaturas e
concentrações. Nos processos executados de forma automática, é tipicamente
empregado um CLP para executar as sequências de operações requeridas e assim
realizar um controle total sobre os parâmetros do processo.
Diferentes receitas de controle para sistemas CIP podem ser pré-programadas
no CLP, conferindo uma grande versatilidade aos mesmos para a execução de limpeza
em diferentes equipamentos.
Na sequência será apresentado, de forma simplificada, um sistema CIP
composto por três tanques e as etapas típicas que este deve atender conforme o
fabricante KHS - Ziemann-Lies.
A primeira etapa consiste no pré-enxágue do equipamento do processo com
água recuperada proveniente do tanque de água recuperada. Esta pré-lavagem visa
remover do equipamento do processo, e também das tubulações, todo material sólido
porventura existente e/ou líquidos residuais que ainda permanecem no equipamento do
processo e nas tubulações. Adicionalmente, é executado o pré-aquecimento desta água
de pré-enxágue para evitar que ocorra o choque térmico no sistema a ser limpo. O
aquecimento é feito até a temperatura típica de 50 ºC, sendo a água recuperada
transportada através do sistema formado pelas tubulações e pelo equipamento de
processo por meio de bomba centrífuga. A água de pré-enxágue efluente do
equipamento do processo é descartada. A Figura 2.2 ilustra esta etapa do processo.
A segunda etapa consiste na limpeza do equipamento do processo com uma
solução de soda cáustica proveniente do tanque de soda quente. Nesta etapa, uma
solução de soda cáustica (detergente) previamente preparada é encaminhada ao
equipamento de processo para a limpeza do mesmo. Esta solução é aquecida até a
temperatura adequada de trabalho (85 ºC) e é feita escoar através do processo em
circuito fechado, retornando ao tanque de soda quente. A Figura 2.3 ilustra esta etapa
30
do processo.
Figura 2.2 – Pré-enxágue do sistema em estudo com água recuperada Fonte: KHS – Ziemann Lies
A terceira etapa consiste no enxágue intermediário com água tratada proveniente
da rede de utilidades. Tipicamente, esta água de enxágue intermediário é pré-aquecida
a 50 ºC com o objetivo de manter aquecido todo o circuito a ser limpo. A etapa de
enxágüe intermediário visa remover o detergente (solução de soda cáustica) do
sistema. A água de enxágue efluente do equipamento de processo é feita retornar ao
tanque de água recuperada, sendo a duração desta etapa definida pela condutividade
elétrica da água efluente. A operação é interrompida quando a concentração de
resíduos de soda cáustica na água for inferior a um valor mínimo pré-estabelecido. A
Figura 2.4 ilustra esta etapa do processo.
31
DETERGENTE
CONDUTIVÍMETRO
CIP
RETORNO
EQUIPAMENTO
CIP
PRESSÃO
TROCADOR
EQUIP.
RETORNO
TIC
VAPOR
Figura 2.3 – Limpeza do sistema em estudo com solução de soda cáustica Fonte: KHS – Ziemann Lies
DETERGENTE
CONDUTIVÍMETRO
CIP
RETORNO
EQUIPAMENTO
CIP
PRESSÃO
TROCADOR
EQUIP.
RETORNO
TIC
VAPOR
ÁGUA
TRATADA
FRIA
ÁGUA
TRATADA
QUENTE
ÁGUA
TRATADA
RETORNO
Figura 2.4 – Enxágue intermediário do sistema em estudo com água tratada Fonte: KHS – Ziemann Lies
A quarta etapa consiste na esterilização do equipamento do processo com o
emprego de água quente proveniente do tanque de água quente. Tipicamente, esta
água de esterilização do equipamento deve ser pré-aquecida a 90ºC e feita circular
através do equipamento em circuito fechado durante, pelo menos, 15 minutos. A Figura
2.5 ilustra esta etapa do processo.
32
CONDUTIVÍMETRO
CIP
RETORNO
EQUIPAMENTO
CIP
PRESSÃO
TROCADOR
EQUIP.
RETORNO
TIC
VAPOR
ÁGUA
QUENTE
Figura 2.5 – Esterilização do sistema em estudo com água quente Fonte: KHS – Ziemann Lies
A quinta etapa consiste no enxágue final do equipamento de processo com água
tratada proveniente da rede de utilidades. Tipicamente, esta água de enxágue final é
pré-aquecida a 50ºC para evitar o choque térmico no equipamento de processo e, na
sequência, deve ser gradualmente resfriada até a temperatura ambiente. Este
resfriamento gradual visa promover a diminuição da temperatura do equipamento de
processo, deixando-o em condições adequadas de posterior utilização. A água tratada
efluente do equipamento do processo pode ser direcionada ao tanque de água
recuperada ou descartada para dreno. A Figura 2.6 ilustra esta etapa do processo.
DETERGENTE
CONDUTIVÍMETRO
CIP
RETORNO
EQUIPAMENTO
CIP
PRESSÃO
TROCADOR
EQUIP.
RETORNO
TIC
VAPOR
ÁGUA
TRATADA
FRIA
ÁGUA
TRATADA
QUENTE
ÁGUA
TRATADA
RETORNO
Figura 2.6 – Resfriamento do sistema em estudo com água tratada proveniente da rede Fonte: KHS –
Ziemann Lies
33
Gormezano (2007) desenvolveu estudo experimental em protótipo de sistema
CIP visando identificar a função de transferência que representa o comportamento
dinâmico da variável de processo concentração de resíduos presentes na solução de
agente sanificante em função da vazão de operação do mesmo. O estudo foi baseado
na metodologia proposta por CHEN et al. (2004).
De acordo com Gormezano (2007), as equações que representam as correlações
obtidas a partir dos dados experimentais para a cinética de remoção dos depósitos de
proteína de leite foram obtidas por meio do emprego do aplicativo ORIGIN 6.0®
MICROCAL®. A equação (2.1) representa a cinética da remoção da proteína de leite
empregando o procedimento convencional com vazão de 2,5 L.min-1 e a equação (2.2)
com vazão de 3,0 L.min-1.
9994,02
12131,0
)07095,1265
(
21982,0
)00072,48
(
90177,0
R
t
e
t
e
(2.1)
9998,0
)42948,163
(
09987,0
)7234,16
(
90000,0
2
R
t
e
t
e
(2.2)
Nas equações anteriores β representa a razão entre a absorbância instantânea e
aquela avaliada no instante inicial e t representa o tempo em segundos.
Ainda de acordo com o autor anteriormente citado, considerando o emprego de
procedimento com eletrólise, as equações (2.3) e (2.4) representam a cinética de
remoção dos depósitos de proteína de leite para as vazões de 2,5 L.min-1 e 3,0 L.min-1
respectivamente.
9994,0
00301,0
)86603,170
(
28306,0
)78144,10
(
714,0
2
R
t
e
t
e
(2.3)
34
99999,02
)0334,182
(
02635,0
)45006,14
(
97364,0
R
t
e
t
e
(2.4)
As equações de correlação apresentadas anteriormente possuem dois termos
exponenciais que são os responsáveis pelos ajustes das funções conseguidas. O
primeiro é muito importante e representa o comportamento da concentração de leite no
início do processo e o segundo é o responsável pelo estágio subsequente da curva de
decaimento da concentração de leite.
2.7 Modelagem matemática e identificação de sistemas
O conhecimento do comportamento dinâmico de um sistema é fundamental para
o seu correto controle. O modelo matemático que representa um sistema está
intimamente relacionado com o seu comportamento dinâmico. Neste contexto, o
conhecimento do modelo de um processo industrial deve ser tratado com muita
atenção. Zhui (2001) afirma que um modelo apresentado na forma de resposta ao
impulso é chamado de modelo não paramétrico, ao passo que um modelo no formato
de equação diferencial ou função de transferência é chamado de modelo paramétrico.
A identificação não paramétrica do comportamento dinâmico de processos
industriais apresenta a vantagem da facilidade de obtenção dos dados de processo e
posteriormente da obtenção de modelos aproximados, de baixa ordem, para a grande
maioria dos processos industriais (AGUIRRE, 2000).
A identificação não paramétrica emprega basicamente as curvas de resposta do
processo quando excitados por sinais de entrada do tipo degrau, impulso ou senoidal. A
partir dessas curvas, pode-se extrair modelos aproximados, de baixa ordem, que
descrevam o comportamento dinâmico do processo (AGUIRRE, 2000). Esses modelos
são pouco precisos, mas podem ser suficientes para se ter uma ideia do
comportamento do processo e podem ser usados para efetuar a pré-sintonia de
controladores PID, por exemplo. Adicionalmente, ele permite entender o
comportamento do processo durante situações que envolvam transientes ou ainda para
analisar o desempenho de um sistema de controle agindo sobre o processo.
35
A entrada normalmente mais usada para identificar, de forma não paramétrica, um
processo industrial é a excitação em degrau (AGUIRRE, 2000). Esses ensaios
normalmente permitem gerar, graficamente, modelos empíricos dinâmicos
representados por uma função de transferência de baixa ordem (1ª ou 2ª ordem,
eventualmente incluindo um atraso de transporte) com, no máximo, quatro parâmetros a
serem determinados experimentalmente.
Âström e Hägglung (1995) afirmam que muitos dos processos podem ser
representados de forma aproximada, pela combinação de quatro elementos tipicamente
encontrados em processos industriais, a saber: (i)- ganho, (ii)- atraso de transporte, (iii)-
atraso de transferência e (iv)-elemento integrador. São apresentadas na Tabela 2.1 as
principais características destes elementos.
Tabela 2.1 – Principais elementos de processo
A curva de resposta de um sistema estável de ordem superior pode ser expressa
como a soma de certo número de curvas exponenciais e curvas senoidais amortecidas.
Uma característica particular de tais curvas de resposta é que pequenas oscilações são
superpostas em oscilações maiores ou sobre curvas exponenciais. Componentes que
36
apresentam decaimento rápido têm significado somente na parte inicial da resposta
transitória.
Outra abordagem é a dos sistemas inteligentes. Os chamados “sistemas
inteligentes” são aqueles que fornecem respostas que solucionam problemas, tais
respostas apropriadas às situações específicas destes problemas, mesmo que sejam
novas ou inesperadas, fazendo com que tal comportamento seja “único” ou até mesmo
considerado “criativo” (SIMÕES e SHAW, 2007).
Um aspecto relevante na forma de pensar dos seres humanos é a implicação
lógica, que consiste na formulação de uma conexão entre causa e efeito, ou uma
condição e sua consequência.
A lógica fuzzy é muito parecida com o pensamento e a linguagem do ser humano
do que os sistemas lógicos tradicionais. Basicamente, ela fornece um meio eficaz de
capturar a natureza aproximada e inexata do mundo real (LEE, 1990).
Tem-se como propriedade fundamental da lógica convencional, ou booleana, que
a função de pertinência é bivalente. Na lógica fuzzy a função de pertinência µA(x) tem
todos os valores dentro do intervalo [0,1]. Isso significa que um elemento pode ser
membro parcialmente de um conjunto, indicado por um valor fracionário dentro do
intervalo numérico (SIMÕES e SHAW, 2007).
Segundo os mesmos autores, diferentemente da modelagem convencional, onde
se identifica o comportamento dinâmico do processo, na identificação de sistemas fuzzy
(ou Neuro-Fuzzy) há identificação da estrutura e dos parâmetros, ou seja, o
comportamento de entrada e saída que o aproxime do sistema dinâmico que está
sendo modelado.
A identificação de sistemas fuzzy tem sido utilizada para modelar processos
complexos, não lineares e vagos a partir das entradas e saídas do modelo; esta,
combinada com métodos de redes neurais artificiais, dá origem a um sistema
classificado como híbrido. Deste modo, os sistemas neuro-fuzzy combinam a
capacidade de aprendizado das redes neurais artificiais, através de dados de
treinamento, com o poder de interpretação linguístico dos sistemas de inferência fuzzy.
37
2.7.1 Modelagem aproximada de 1ª ordem com atraso de transporte
A aproximação de sistemas superamortecidos de ordem 2 ou superior por atraso
de transferência mais atraso de transporte pode ser representada pela função de
transferência apresentada na equação (2.5) (AGUIRRE, 2000).
s
eKsG
s
.1
. .
(2.5)
O atraso de transporte é incluído para considerar os elementos de ordem mais alta
que não devem ser desprezados.
O valor do ganho K pode ser obtido dividindo-se a amplitude da variação da saída
do processo pela amplitude A do degrau aplicado, como apresentado na equação (2.6).
A
y
x
yK
(2.6)
Existem diversos métodos de se determinar os parâmetros e do modelo
representado por um sistema de 1ª ordem mais atraso de transporte, a saber: (i)-
Método da Tangente, (ii)- Método de Miller, (iii)- Método de Smith e (iv)- Método de
Sundaresan e Krishnaswamy.
No Método da Tangente deve-se traçar uma tangente através do ponto de inflexão
da curva de resposta do processo. Essa tangente deve ser traçada desde o valor
estacionário do processo antes de ocorrer a perturbação até o novo valor estacionário,
conforme mostrado na Figura 2.7.
38
Figura 2.7 – Aplicação do método da tangente para determinação dos parâmetros e do modelo representado por um sistema de 1ª ordem mais atraso de transporte
O atraso de transporte corresponde ao tempo entre o instante de aplicação do
degrau até o ponto em que a tangente traçada encontra com o valor original do regime
estacionário do processo antes da perturbação em degrau, conforme mostrado na
figura 2.7.
O instante de tempo em que a tangente cruza com a linha que representa o valor
estacionário da resposta após a aplicação do degrau representa o valor +. A
constante de tempo corresponde ao intervalo de tempo entre os instantes em que a
tangente traçada se encontra tanto com o valor original do regime estacionário do
processo quanto com o novo valor do regime estacionário do mesmo.
No Método de Miller o tempo em que a resposta do processo atinge 63,2% de seu
valor final corresponde a +. A determinação do valor de é feita de forma idêntica à
do método da tangente. Sua aplicação pode ser vista na Figura 2.8.
39
Figura 2.8 – Obtenção dos parâmetros e pelo método dos 63,2% a partir de uma curva de reação do processo
A linha tangente é difícil de ser traçada com precisão prática. Uma alternativa, o
Método de Smith é determinar e a partir de dois pontos na curva de reação do
processo. A solução analítica para a resposta ao degrau de amplitude A de um sistema
de 1ª ordem mais atraso de transporte é apresentada na equação (2.7).
t
eAty 1. 0t (2.7)
Suponha que se calcule y(t) em dois instantes de tempo quaisquer, por exemplo, t
= + /3 e t = + , como apresentado nas equações (2.8) e (2.9).
yy
.284,0
3
(2.8)
yy .632,0 (2.9)
Os tempos em que a resposta atinge 28,4% e 63,2% de seu valor final podem
ser obtidos a partir da curva de reação do processo, como apresentado nas equações
40
(2.10) e (2.11).
3284,0
t (2.10)
632,0t (2.11)
A solução desse sistema de duas equações fornece e , conforme as equações
(2.12) e (2.13).
284,0632,0.5,1 tt (2.12)
632,0
632,0
284,03
.5,1 tt
t (2.13)
Um método similar ao anterior é o Método de Sundaresan e Krishnaswamy. Neste,
adotam-se dois instantes arbitrários, t1 e t2 e calcula-se e pelas equações (2.14) e
(2.15).
12.675,0 tt (2.14)
21 .294,0.29,1 tt (2.15)
Os instantes t1 e t2 são adotados a partir da curva de resposta a um sinal de
41
entrada do tipo degrau e correspondem a 35,3% e 85,3%, respectivamente, dos valores
da variação da resposta em regime estacionário.
2.7.2 Modelagem Neuro-Fuzzy
2.7.2.1 Conceitos e fundamentos sobre conjuntos e Lógica Fuzzy
Antes de se iniciar uma discussão mais aprofundada sobre Lógica fuzzy, é
adequado e conveniente apresentar uma breve revisão sobre os fundamentos de
conjuntos fuzzy.
Seja U um conjunto universo de discurso, A um subconjunto de U, e x um
elemento particular de U.
Define-se a função característica como sendo uma função µA: U → {0,1}, com
(2.16)
Pode-se observar que a função característica assim definida é um mapeamento do
conjunto universo U, para os elementos do conjunto {0,1}, assumindo deste modo
apenas valores discretos e dividindo o conjunto universo em duas partes com fronteiras
bem definidas.
A função característica, deste modo, pertence ou não ao conjunto.
A teoria dos conjuntos fuzzy, introduzida por Zadeh (1965), surgiu como um meio
de representação e manipulação de dados imprecisos, e são conjuntos que não
possuem fronteiras bem definidas como na teoria usual de conjuntos. Estes foram
propostos pelo fato dos conjuntos clássicos apresentarem limitações para lidar com
problemas onde transições (passagem de pertinência para a não pertinência) de uma
classe para outra acontecem de forma lenta e gradual (BENINI e JUNIOR, 2008).
42
As funções de pertinência fuzzy são aquelas que representam os aspectos
fundamentais de todas as ações teóricas e práticas de sistemas fuzzy. Uma função de
pertinência é uma função numérica gráfica ou tabulada que atribui valores de
pertinência fuzzy para valores discretos de uma variável, em seu universo de discurso
(SIMÕES e SHAW, 2007).
Zadeh (1965) define função de pertinência considerando que U seja um conjunto universo não vazio (U≠Ø). Lembrando que um conjunto fuzzy A em U pode ser caracterizado por sua função de pertinência:
]1,0[: UA
)(xAx
(2.17)
sendo µA(x) interpretado como o grau de pertinência do elemento x no conjunto
fuzzy A para cada Ux .
Um conjunto fuzzy A em um conjunto universo U é um conjunto de pares
ordenados de um elemento genérico x e seu respectivo grau de pertinência μA(x) (LEE,
1990; BENINI e JUNIOR, 2008).
}|))(,{( UxxAxA (2.18)
Zadeh (1973) propôs uma caracterização, generalizando a função característica
de maneira que esta pudesse assumir um número infinito de valores no intervalo [0,1],
sugerindo que alguns elementos são mais membros de um conjunto do que outros.
Neste caso, o grau de pertinência pode assumir qualquer valor no intervalo fechado [0,
1], sendo o valor 0 usado para representar não-pertinência completa, o valor 1 usado
para representar pertinência completa, e os valores entre 0 e 1 usados para representar
os graus intermediários de pertinência do subconjunto A. Esta generalização, faz com
que a função característica passe a ser contínua no seu domínio, aumentando o poder
de expressão da função característica (BENINI e JUNIOR, 2008).
Na teoria dos conjuntos fuzzy, a ideia da função da inclusão é flexibilizada, a qual
indica que um determinado elemento pertence mais ao conjunto do que outros
43
elementos pertencentes ao mesmo conjunto, ou seja, os elementos podem pertencer
parcialmente ao conjunto (BENINI e JUNIOR, 2008).
A função que define o grau de pertinência de um determinado elemento em um
conjunto fuzzy, levando em consideração o seu universo de discurso, é definida como
função de pertinência (BENINI e JUNIOR, 2008).
Quanto ao formato das funções de pertinências, estes são escolhidos com base
na experiência e na natureza do processo a ser modelado.
Segundo Simões e Shaw (2007) os formatos mais frequentes são o triangular
(Figura 2.9) e o trapezoidal (Figura 2.10), pois são gerados com facilidade.
Outro formato existente, é o Fuzzy-tom ou singleton (Figura 2.11); porém os
autores citam que, em casos onde um desempenho suave é de importância crítica,
podem ser usadas funções como, por exemplo, do tipo gaussiana (Figura 2.12).
Figura 2.9 – Função de pertinência triangular Fonte: Benini e Júnior (2008)
44
Figura 2.10 – Função de pertinência trapezoidal Fonte: Benini e Júnior (2008)
Figura 2.11 – Função de pertinência Fuzzy-ton ou singleton Fonte: Benini e Júnior (2008)
Figura 2.12 – Função de pertinência gaussiana Fonte: Benini e Júnior (2008)
45
A partir das definições citadas, um termo importante para o uso das funções de
pertinência é o de variáveis linguísticas. Lee (1990) define que uma variável linguística
é caracterizada pela quíntupla (x, T(x), U, G, M), onde x é o nome da variável; T(x) é o
termo do conjunto de x, que é o conjunto de nomes dos valores linguísticos de x com
cada valor sendo um número fuzzy definido em U; G é a regra sintática para gerar os
nomes dos valores de x; e M é uma regra semântica para associar o significado para
cada valor.
Por exemplo, se a velocidade é interpretada como uma variável linguística, então
seu conjunto de termos T(velocidade) poderiam ser:
T(velocidade) = {lenta, moderada, rápida, muito lenta, mais ou menos rápida,...}
onde cada termo em T (velocidade) é caracterizado por um conjunto fuzzy em
um universo de discurso U = [0,100]. Poderíamos interpretar “lenta” como “uma
velocidade abaixo de 40 km/h”, “moderada” como “uma velocidade próxima de 55 km/h”
e “rápida” como “uma velocidade acima de 70 km/h”. Estes termos podem ser
caracterizados como conjuntos fuzzy; um exemplo representativo de funções de
pertinência é mostrado na figura 2.13.
Para os sistemas que utilizam a lógica fuzzy, o processamento de informações
fuzzy é normalmente consistido de operações que são realizadas sobre os seus
conjuntos fuzzy.
Para abstração destas informações, sejam A e B dois conjuntos fuzzy definidos
em um universo de discurso U com funções de pertinências μA(x) e μB(x),
respectivamente. As operações fuzzy básicas de união, intersecção e complemento
são definidas por Zadeh (1965):
Figura 2.13 – Exemplo representativo de funções de pertinência Fonte: Benini e Júnior (2008)
46
i) Conjunto União
A união entre dois conjuntos fuzzy A e B, pertencentes a um mesmo universo de
discurso U, é formado por todos os valores máximos entre μA(x) e μB(x), para todo x
U. A figura 2.14 (a) apresenta um diagrama dos conjuntos A e B e a figura 2.14 (b) o
diagrama da união dos mesmos. Formalmente, tem-se:
))(),(max())(()()( yBxAxBAxBxABA (2.19)
Figura 2.14. (a) Diagrama dos conjuntos A e B (b) Diagrama da união A U B Fonte: Benini e Júnior (2008)
ii) Conjunto Intersecção
A intersecção entre dois conjuntos fuzzy A e B, pertencentes a um mesmo
universo de discurso U, é formado por todos os valores mínimos entre μA(x) e μB(x),
para todo x U, ou seja,
))(),(min())(()()( yBxAxBAxBxABA (2.20)
A figura 2.15 (a) apresenta um diagrama dos conjuntos A e B e a figura 2.15 (b) o
diagrama da intersecção dos mesmos.
47
Figura 2.15. (a) Diagrama dos conjuntos A e B (b) Diagrama da intersecção A ∩ B Fonte: Benini e Júnior (2008)
iii) Conjunto Complemento
O complemento de um conjunto fuzzy A, pertencente a um universo de discurso
U, é formado pela subtração de μA(x) do valor unitário 1, ou seja,
UxxAxA );(1)( (2.21)
A figura 2.16 apresenta um diagrama do complemento do conjunto A.
Figura 2.16. Diagrama do complemento (Ā) do conjunto A Fonte: Benini e Júnior (2008)
2.7.2.2 Inferência de regras Fuzzy
O processo de inferência fuzzy ou raciocínio aproximado permite que sistemas
fuzzy sejam elaborados por um conjunto de regras fuzzy através de proposições
48
condicionais, do tipo “se (condição)... então (ação)”, baseadas nas variáveis linguísticas
para executar um processo de tomada de decisão.
As regras fuzzy descrevem situações específicas que podem ser submetidas à
análise de especialistas, e cuja inferência conduz a algum resultado desejado
(ORTEGA, 2001 apud BENINI e JUNIOR, 2008). A inferência baseada em regras fuzzy
pode ser compreendida como um funcional que mapeia um conjunto de uma ou mais
variáveis de entrada associadas a um conjunto fuzzy, denominadas premissas ou
antecedentes, para um conjunto de uma ou mais variáveis de saída, também
associadas a conjuntos fuzzy, denominadas consequentes ou conclusão, de um dado
sistema. Segundo Lee (1990), cada regra fuzzy é composta por uma parte antecedente
ou premissa, parte “se”, e uma parte consequente ou conclusão, parte “então”,
resultando em uma estrutura do tipo:
Se < proposição fuzzy antecedente > Então < proposição fuzzy consequente >.
Uma proposição fuzzy simples, representada por “x é A”, onde x é um valor do
domínio e A uma variável linguística, estabelece uma relação entre um valor x do
domínio e o espaço fuzzy (COX, 1992). Dessa maneira, modelos fuzzy representam um
sistema através de um conjunto do tipo:
Se “x é A” Então “y é B”
sendo a proposição “x é A” o antecedente e a proposição “y é B” o consequente
da regra fuzzy.
As proposições podem também ser estabelecidas através de composição de
proposições simples, denominadas proposições fuzzy compostas, utilizando conectivos
lógicos “e”, “ou” e “não” representando, respectivamente, a intersecção, união e
complemento fuzzy. Assim, se x e y são variáveis linguísticas nos universos de
discurso U e V, e A e B são conjuntos fuzzy, respectivamente, em U e V, tem-se:
i) a proposição fuzzy composta dada por:
“x é A e y é B”
é uma relação fuzzy A∩B em U×V definida por seu grau de pertinência:
49
))(),(min())(),((),( yBxAyBxAtyxBA (2.22)
com t: [0,1]x[1,0] →[0,1] definida como uma T-norma;
ii) a proposição fuzzy composta dada por:
“x é A ou y é B”
é uma relação fuzzy AUB em U×V definida por seu grau de pertinência
))(),(max())(),((),( yBxAyBxAsyxBA (2.23)
com s: [0,1]x[1,0] →[0,1] uma S-norma;
iii) a proposição fuzzy composta dada por:
“x é não A”
é uma relação fuzzy em U definida por seu grau de pertinência
)(1)( xAxA (2.24)
As variáveis de entrada são conectadas entre si por intermédio dos operadores
lógicos fuzzy, e estas se associam a valores linguísticos (conjuntos fuzzy), em todo
universo de discurso por meio de funções de pertinência.
Na utilização de regras composicionais de inferência é possível definir
procedimentos para se obter uma conclusão fuzzy a partir de uma ou mais regras,
representadas por uma relação fuzzy R, e de um fato fuzzy (DELGADO, 2002). Assim,
se x e y são variáveis linguísticas compostas respectivamente por um conjunto de
termos {A1,A2,...,An} e {B1, B2,..., Bn} então o problema básico do processo de inferência
é encontrar uma função de pertinência que represente a consequência da aplicação
simultânea de regras da forma “se ... então”.
Formalmente, dado um fato observável (x é A′), o qual é representado por um
conjunto fuzzy A′, e uma base de regras dada por uma relação fuzzy R, um conjunto
fuzzy induzido pelo fato x é A′ e pela regra R, é dado por:
Fato: x é A′
50
Regra 1: se x é A1 então y é B1
Regra 2: se x é A2 então y é B2
Regra n: se x é An então y é Bn
Consequência: y é B′
O processo de inferência fuzzy aplicado nas regras acima, em geral, é baseado
na regra modus ponens generalizada explicitada por:
Fato: x é A′
Regra: se x é A então y é B
Consequência: y é B′
onde A, A′, B e B′ são conjuntos fuzzy associados aos valores das variáveis
linguísticas x e y.
Delgado (2002) afirma que todo método de raciocínio pode ser definido como um
processo de inferência que produz conclusões a partir de um conjunto formado por uma
ou mais regras e fatos conhecidos. O raciocínio aproximado envolve a computação com
regras imprecisas e mecanismos de inferência específicos (como no raciocícinio
humano). Como exemplo, considere o fato de que o “o tomate é mais ou menos
vermelho” e a regra “se o tomate é vermelho então ele está maduro”. Pode-se então
concluir que “o tomate está mais ou menos maduro”.
2.7.2.3 Sistema de inferência Fuzzy
Segundo Benini e Junior (2008) os sistemas de inferência fuzzy são sistemas
que mapeiam as entradas advindas de um conjunto de dados resultantes de medições
ou observações experimentais em saídas precisas, y = f(x), onde x é entrada e y a
saída do sistema de inferência fuzzy e f uma representação quantitativa do
mapeamento.
A estrutura de um sistema de inferência é baseada em um conjunto de regras
51
fuzzy incluindo quatro componentes básicos principais (JANG et al.,1997 apud
DELGADO,2002):
i) um fuzzyficador, que traduz a informação de entrada em conjuntos fuzzy.
A cada variável de entrada são atribuídos termos linguísticos que são os
estados da variável, e cada termo linguístico é associado a um conjunto
fuzzy traduzido por uma função de pertinência;
ii) uma base de conhecimento, que consiste de um conjunto de regras fuzzy
e de uma base de dados. No conjunto de regras fuzzy (conhecido como
base de regras) estão as declarações linguísticas do tipo “se...então”,
definidas por especialistas ou retiradas de um conjunto de dados
numéricos. Na base de dados estão as variáveis linguísticas, as definições
dos respectivos universos de discurso e o conjunto de funções de
pertinências;
iii) um método de inferência, que aplica um raciocínio fuzzy para obter uma
saída fuzzy;
iv) um defuzzyficador, que traduz a saída em um valor numérico.
Em uma base de regras, quando mais de uma regra é acionada, as contribuições
das diversas regras após a inferência são combinadas pelo operador de agregação.
Para uma única regra R: A→B, o processo de inferência de B´ a partir do fato A´, e da
regra fuzzy R, é dado por:
)(''' BAARAB (2.25)
Quando são apresentadas mais de duas regras, o raciocínio fuzzy é realizado
sobre um conjunto de m regras fuzzy na forma:
Regra i = Ri : Se x é Ai então y é Bi , i = 1,2,...,m
Cada regra individual Ri (i = 1,2,...,m) é induzida por uma relação fuzzy diferente.
Assim, o conjunto de regras, por sua vez, resulta numa relação fuzzy obtida pela
agregação de todas as relações individuais, através da operação união:
52
m
i
m
i
RAiBB11
)'()'('
(2.26)
A função para o operador agregação é o operador união, ou seja, a agregação
do conjunto de regras é realizada através do operador união sobre todas as relações
individuais (ORTEGA,2002 apud BENINI e JUNIOR, 2008). Por exemplo, supondo B’i,
..., B’n todos os resultados derivados das diversas regras acionadas, todos relacionados
a uma mesma variável linguística, o resultado da implicação de todas as regras B’ é
dada por:
m
i
iBB1
)'('
(2.27)
onde o símbolo U representa o operador agregação.
Delgado (2002) afirma que para a agregação do conjunto de regras, vários
métodos podem ser utilizados; na maioria dos casos o antecedente (parte “se”) é
formado por proposições linguísticas e a distinção entre os modelos se dá no
consequente (parte “então”) das regras fuzzy. Entre os modelos mais conhecidos, dois
deles podem ser destacados:
i) modelo de Mamdani (MAMDANI e ASSILIAN, 1975, apud DELGADO,
2002): utiliza conjuntos fuzzy tanto no antecedente como no consequente
das regras fuzzy. A saída final é representada por um conjunto fuzzy
resultante da agregação da saída inferida de cada regra. Para se obter
uma saída final não fuzzy adota-se um dos métodos de transformação da
saída fuzzy em não-fuzzy (ou seja, traduz-se a saída por um valor
numérico);
ii) modelo de Takagi-Sugeno (TAKAGI e SUGENO, 1983, apud DELGADO,
2002): no qual o antecedente é uma proposição fuzzy e o consequente é
representado por uma função das variáveis de entrada. A saída final é
obtida pela média ponderada das saídas inferidas de cada regra.
53
Utilizando-se a regra composicional de inferência, é possível definir um
procedimento para se obter uma conclusão fuzzy B´ a partir de uma ou mais regras
(representadas pela relação fuzzy R) e de um fato A. Para isso é necessária a definição
da relação R que representa a base de regras fuzzy (DELGADO, 2002).
Neste trabalho, será detalhado somente o modelo de Takagi-Sugeno.
2.7.2.4 Modelo de Takagi-Sugeno
O sistema de inferência fuzzy Takagi-Sugeno, representa um sistema dinâmico
ou um controle que associa um conjunto de regras linguísticas no antecedente (parte
“se”) com proposições fuzzy, e no consequente (parte “então”) são apresentadas
expressões funcionais do tipo y = f(x), das variáveis linguísticas do antecedente.
A base de regras fuzzy para o modelo de Takagi-Sugeno, é da forma:
Regra i: Se x1 é A1,i e x2 é A2,i e ... e xn é An,i então yi = fi(x) , i = 1,2,...,m
onde m é o número de regras, x1,x2,...,xn são as variáveis de entrada, A1,i, A2,i,..,
An,i são conjuntos fuzzy no antecedente das regras de um sistema MISO, nos universos
de discursos U1, U2,..., Un, respectivamente, pi e qi são os coeficientes dos polinômios e
fi(x), i=1, 2,..., m, são funções lineares ou não-lineares das variáveis numéricas de
entrada.
A Figura 2.17 ilustra o processo de inferência de Takagi-Sugeno quando existem
duas regras definidas por:
Regra 1: Se x1 é A1,1 e x2 é A2,1 então y1 = f1(x1,x2)
Regra 2: Se x1 é A1,2 e x2 é A2,2 então y2 = f1(x1,x2)
onde yi = fi(x1,x2) = pi x1+ qi x2+ ri, i = 1, 2.
54
Figura 2.17. Processo de inferência Takagi-Sugeno com duas regras definidas Fonte: Benini e Júnior
(2008)
Os sistemas de inferência fuzzy permitem que sistemas fuzzy sejam elaborados
por um conjunto de regras fuzzy através de proposições condicionais, do tipo “se ...
então”, baseadas nas variáveis linguísticas para executar um processo de tomada de
decisão (BENINI e JUNIOR, 2008).
O modelo Takagi-Sugeno foi proposto como resultado de um esforço para se
desenvolver, de forma sistemática, uma abordagem para a geração de regras fuzzy a
partir de dados de entrada-saída (DELGADO, 2002).
Benini e Junior (2008) afirmam ainda que o sistema fuzzy paramétrico se baseia
no espaço das variáveis de entrada onde é realizada uma partição fuzzy, e em cada
subespaço fuzzy, que corresponde a uma regra, se estabelece uma relação linear entre
a variável de entrada e a variável de saída.
Os citados sistemas de inferência fuzzy tem sido utilizados para modelar
processos complexos, não lineares e vagos, com base em um conjunto regras do tipo
“se ... então”, que representam as entradas e saídas do modelo, que combinadas com
métodos de redes neurais artificiais, dão origem ao método classificado como híbrido.
Para uma melhor compreensão do que são os sistemas chamados híbridos, é
apresentada uma ideia do que vem a ser redes neurais artificiais.
55
2.7.2.5 Redes Neurais Artificiais
As Redes Neurais Artificiais (RNA’s) são modelos matemáticos que se
assemelham às estruturas neurais biológicas com capacidade computacional adquirida
por meio de aprendizado. Benzecry et al. (2008) descrevem o conceito básico de um
neurônio típico (Figura 2.18).
Figura 2.18. Neurônio típico Fonte: Benzecry et al. (2008)
A partir do corpo celular, ou soma – o centro dos processos metabólicos da
célula nervosa – são projetadas extensões filamentares, conhecidas como dendritos e
axônio. A partir de estudos realizados nas décadas de 50 e 60, passou-se a entender o
neurônio biológico como sendo basicamente o dispositivo computacional elementar do
sistema nervoso, que possuía múltiplas entradas e apenas uma saída. As entradas
ocorrem através das conexões sinápticas, que conectam a árvore dendrital aos axônios
de outras células nervosas. Os sinais que chegam por esses axônios são pulsos
elétricos conhecidos como impulsos nervosos ou potenciais de ação, e constituem a
informação que o neurônio processará, de alguma forma, para produzir como saída um
impulso nervoso no seu axônio.
A construção de RNA’s tem inspiração nos neurônios biológicos e nos sistemas
nervosos; informalmente é um sistema composto por vários neurônios, os quais estão
ligados por conexões, chamadas conexões sinápticas (BARRETO, 2002).
Uma RNA é composta por um número de elementos simples interconectados,
cada elemento realizando uma operação de agregação a partir de um modelo de um
56
neurônio físico (GOMIDE e GUDWIN, 1994).
De forma a definir as RNA’s poderia ser estabelecido um teorema mostrando que
elas se constituem em sistemas dinâmicos, da mesma forma que foi feito para os
neurônios. Todavia, um problema surgiria aqui: nada seria dito acerca dos pesos das
conexões entre os diferentes neurônios da rede. Outra abordagem descrita por Barreto
(2002) seria a de considerar uma rede neural como um sistema dinâmico complexo,
onde este sistema dinâmico complexo é uma rede de sistemas interconectados e pode
ser representado por um grafo direcionado ou dígrafo, onde os vértices representam os
sistemas componentes (subsistemas) e os arcos as interações entre subsistemas.
Para uma melhor compreensão, um Grafo G consiste de um conjunto não vazio
finito de vértices V, juntamente com um conjunto não ordenado de arcos A conectando
certos pares de vértices. Cada par (vi, vj) de vértices em V é um arco de G, e o par (vi,
vj) é dito “juntar” vi e vj. A figura 2.19 traz um exemplo de um grafo direcionado simples,
onde um arco (A1) conecta o par de vértices (v1,v2) em V.
Figura 2.19. Exemplo de um grafo direcionado
Um Grafo G é Rotulado quando os p vértices são distinguíveis uns dos outros
por nomes ou rótulos e os arcos também são distinguíveis uns dos outros por nomes ou
rótulos.
Uma Rede Neural Artificial, RNA, baseando-se nos conceitos definidos, é um
Sistema Dinâmico Complexo representado por um grafo arco rotulado em que cada
vértice é um Neurônio Artificial.
Nesta definição, rótulos são, naturalmente, valores numéricos. Eles
correspondem aos valores das conexões entre os diferentes neurônios. Todavia, eles
podem ser interpretados, também, como os valores fuzzy entre as conexões. Neste
caso, eles devem pertencer a um conjunto [0, 1]. Daí pode-se definir um Grafo Fuzzy
como um Grafo Arco Rotulado onde os rótulos são valores de um conjunto Fuzzy.
57
Logo uma Rede Neural Fuzzy, ou Neuro Fuzzy é:
i) uma rede neural representada por um grafo Fuzzy;
ii) ou uma rede neural contendo ao menos um neurônio Fuzzy.
Barreto (2002) ressalta ainda que, frequentemente, é comum representar as
RNA’s em camadas e, neste caso, são chamadas redes em camadas. Neurônios que
recebem sinais de excitação são chamados da camada de entrada, ou primeira
camada. Neurônios que têm sua saída como saída da rede pertencem a camada de
saída ou última camada. Neurônios que não pertencem nem a camada de entrada nem
a de saída são neurônios internos à rede podendo se organizar em uma ou mais
camadas internas.
A figura 2.20 mostra uma rede direta com 3 camadas de neurônios (entrada,
saída e camadas intermediárias). Observe que nesta figura os neurônios são
apresentados com os seus diversos elementos constituintes.
Estas redes são atualmente as mais populares, principalmente por existirem
métodos de aprendizado bastante difundidos e fáceis de usar. Um método bastante
utilizado – descrito na Seção 2.7.2.6 – é o algoritmo de retropropagação
(backpropagation) (BARRETO, 2002).
Figura 2.20 – Rede neural artificial em camadas Fonte: Barreto, 2002
Pode-se tirar de conclusão do citado que a rede neural é capaz de realizar
58
interpolações de forma similar ao caso da inferência fuzzy. Contudo é em geral muito
difícil de entender, apenas pela observação do conjunto de parâmetros, como a rede
neural se comporta. Se o sistema está sujeito a variações em seu comportamento, nova
aprendizagem deve, em geral, ser executada para se obter um novo conjunto de pesos
e limiares correspondentes, e muitas vezes os resultados não são razoáveis. Isto é,
existe uma maior dificuldade em projetar sistemas para fins de modelagem com redes
neurais do que com sistemas fuzzy (GOMIDE e GUDWIN, 1994).
Por essa razão o potencial de manuseio de incertezas e de controle de sistemas
complexos proporcionado pela lógica fuzzy é combinado com redes neurais artificiais as
quais, possuem características de aprendizagem e adaptação.
2.7.2.6 Sistema de Inferência Fuzzy Neuro Adaptativo (ANFIS)
Uma rede neural adaptativa se caracteriza por um grafo formado por nós e
conexões, onde os nós representam entradas e saídas, e cada um destes nós
representa uma unidade de processamento, tendo associado a ele uma função. Cada
arco do grafo indica uma relação entre os nós conectados. O conjunto de nós pode ser
dividido em dois subconjuntos:
i) os nós adaptativos, cujas saídas dependem não só de suas entradas, mas
também de parâmetros modificáveis, internos ao modelo;
ii) e, em caso contrário, os nós, cuja função depende somente das entradas,
denominados não adaptativos.
Dentre as abordagens que usam métodos híbridos destaca-se o sistema de
inferência fuzzy neuro adaptativo (ANFIS), do inglês Adaptive Network-based Fuzzy
Inference System, proposto por Jang (1993). O modelo ANFIS funciona de modo
equivalente aos sistemas de inferência fuzzy, e suas capacidades adaptativas as fazem
aplicáveis a uma grande quantidade de áreas de estudos como, por exemplo, em
classificação de dados e, no caso deste estudo, extração de características a partir de
modelos. Uma propriedade do modelo ANFIS é que o conjunto de parâmetros pode ser
decomposto para utilizar uma regra de aprendizagem híbrida mais eficiente que os
59
mecanismos tradicionais encontrados na literatura.
O modelo ANFIS é uma ferramenta disponível no entorno técnico do aplicativo
MATLAB que suporta apenas sistema de Takagi-Sugeno de ordem zero ou um, e
permite várias variáveis de entrada, porém, com somente uma variável saída que o faz
ser identificado como um modelo MISO (BENINI e JUNIOR, 2008).
Diferentes sistemas de inferência fuzzy proporcionam diferentes arquiteturas
para o modelo ANFIS. O sistema de inferência fuzzy construído do tipo Takagi-Sugeno
é definido por um conjunto de regras da forma já apresentada na seção 2.7.2.4:
Se x é A e y é B, então z = f(x,y)
onde x e y são variáveis fuzzy, A e B são conjuntos fuzzy e f é uma função de x e
y que aproxima o valor de z. Usualmente a função f é uma combinação linear das
variáveis de entrada, cujos coeficientes são estimados usando mínimos quadrados
(BENINI e JUNIOR, 2008).
A aprendizagem do sistema ANFIS tem dois conjuntos de parâmetros que devem
ser treinados: os parâmetros do antecedente, que são as constantes que caracterizam
as funções de pertinência, e os parâmetros do consequente, que são os parâmetros
lineares da saída do modelo de inferência. A aprendizagem do modelo ANFIS emprega
o algoritmo de retropropagação para otimizar os parâmetros do antecedente e o
algoritmo de mínimos quadrados para determinar os parâmetros lineares do
consequente, ou seja, o aprendizado é realizado em duas etapas, dadas a seguir, que
se repetem até que o critério de parada seja alcançado (BENINI e JUNIOR, 2008):
Etapa 1 – os parâmetros do antecedente (entradas) permanecem fixos, e se
utiliza do algoritmo de estimação de mínimos quadrados sobre os parâmetros do
consequente (saídas) para cada regra. Uma vez identificados os parâmetros do
consequente, o erro é calculado como a diferença entre a saída da rede e a saída
desejada apresentada nos pares de treinamento. Uma das medidas mais usuais para o
erro de treinamento é a soma de erros quadráticos, definido por:
60
)²ˆ(1
kyykSEQN
k
(2.28)
onde N é o número de pares observados, yk corresponde aos dados de
treinamento proporcionados (saídas desejadas) e ŷk é a correspondente saída da rede;
A figura 2.21 ilustra esta etapa de maneira simplificada.
Figura 2.21 – Etapa de cálculo das saídas e dos erros Fonte: <http://www.labinfo.lncc.br/>
Etapa 2 – os parâmetros dos consequentes permanecem fixos, e se utiliza o
algoritmo de retropropagação (backpropagation) sobre os parâmetros do precedente
para cada regra;
Silva (2003) descreve resumidamente as etapas do Algoritmo de aprendizagem
backpropagation padrão:
i) Inicialização: pesos iniciados com valores aleatórios e pequenos (peso ≤
0.1);
ii) Treinamento: Loop até que o erro de cada neurônio de saída seja menor
ou igual à tolerância, para todos os padrões do conjunto de treinamento;
no treinamento deve-se apresentar um conjunto formado pelo par: entrada
para a rede e valor desejado para resposta à entrada. A saída será
comparada ao valor desejado e será computado o erro global da rede, que
influenciará na correção dos pesos.
61
A figura 2.22 ilustra esta etapa de maneira simplificada.
Figura 2.22 – Etapa de ajuste dos pesos Fonte: <http://www.labinfo.lncc.br/>
Estas etapas são executadas até que o número de épocas (iterações) de
treinamento ou o valor do erro, ambos pré-fixados, sejam atingidos primeiro pela rede.
Resumidamente, o modelo ANFIS ajusta, através do algoritmo backpropagation,
os parâmetros das funções de pertinência, as quais serão de um tipo único (todas
triangulares, todas gaussianas, etc), dependendo da escolha realizada. O método dos
mínimos quadrados é usado para encontrar os coeficientes das funções lineares, que
formam o consequente das regras fuzzy.
A aprendizagem da rede é obtida combinando o algoritmo de backpropagation e
o método dos mínimos quadrados. Para cada época de treinamento o método é
realizado através de uma passagem à frente (forward step) e uma passagem para trás
(backward step). Na passagem à frente, para cada vetor de entrada, a rede é avaliada e
os parâmetros do consequente são estimados usando o método de mínimos
quadrados. Em seguida, são calculados os erros para cada par do conjunto de
treinamento, ou seja, os erros são estimados pela soma dos quadrados das diferenças
entre o valor estimado e o observado. No passo para trás, os erros são propagados e
os parâmetros dos antecedentes são modificados pelo mecanismo do algoritmo de
backpropagation (BENINI e JUNIOR, 2008).
62
2.7.2.7 Aplicações da Lógica Fuzzy
Para ilustrar o conceito de Lógica Fuzzy citado algumas aplicações práticas são
apresentadas.
Nos últimos anos a Lógica Fuzzy, como ferramenta de Raciocínio Aproximado,
tem encontrado numerosas aplicações que vão desde o campo das finanças até a
engenharia de terremotos. Todas elas correspondem a problemas muito complexos ou
mal conhecidos, que por isto não admitem tratamento por métodos baseados na Lógica
Clássica. De fato a introdução da Lógica Fuzzy têm permitido modelar e resolver
situações tradicionalmente consideradas como intratáveis, e neste sentido constitui uma
revolução em muitos campos (VIEIRA, 1999).
Em controle de processos industriais, área pioneira, as primeiras experiências
datam de 1975 quando foi demonstrado no Queen College, Londres, que um
controlador fuzzy muito simples controlou eficientemente uma máquina a vapor.
Dentre algumas aplicações pode ser citado como produto, o ar condicionado
(Empresa Mitsubishi) que varia a potência a partir da quantidade de pessoas (através
de sensores infravermelhos), permitindo economia de energia. Sistemas industriais
incluem controle de grupo de elevadores (Hitachi, Toshiba), veículos auto-guiados e
robôs móveis (Nasa, IBM), controle de motores (Hitachi), ventilação de túneis urbanos
(Toshiba), controle de tráfego urbano, controle de parada e partida de trens de metrô
(Sendai, Tokio). (GOMIDE e GUDWIN, 1994).
Vieira (1999) propõe a modelagem de um sistema de controle por Lógica Fuzzy
empregado na secagem por atomização de produtos cerâmicos. Segundo o autor, com
o emprego deste tipo de controle é esperado que ocorram: ganhos energéticos
significativos, pela otimização do controle de temperaturas; tempos menores de
armazenagem para homogeneização do produto, para garantir a uniformidade do
produto atomizado; redução substancial de tempos de produção.
Na Espanha existe um significativo número de pesquisadores que desenvolvem
seu trabalho no âmbito da Lógica Fuzzy e suas aplicações. Uma equipe interdisciplinar
com membros procedentes de distintas universidades estão desenvolvendo o projeto
63
denominado ORBE (ORdenador Borroso Experimental) pelo patrocínio do Ministério de
Indústria e Energia, com o objetivo geral de desenvolver arquiteturas de computadores
capazes de realizar de um modo eficiente o processamento de informação fuzzy
(VIEIRA, 1999).
As aplicações citadas são puramente ilustrativas, pois há diversas patentes e
publicações de aplicações práticas relativas ao tema; porém observa-se claramente a
contribuição da Lógica Fuzzy nos sistemas de controle e automação.
64
CAPÍTULO 3. MATERIAIS & MÉTODOS
No intuito de se alcançar o objetivo proposto neste trabalho, foi escolhido o
trocador de calor existente na instalação piloto do Edifício Prof. Walter Borzani para
servir de protótipo de planta industrial a ser submetida ao processo de limpeza CIP. Foi
escolhido o leite como matéria prima alimentar a ser estudada, por se tratar de alimento
tipicamente consumido no mercado brasileiro e cujo processamento industrial utiliza em
larga escala os sistemas de limpeza CIP.
3.1 Materiais utilizados
Na Figura 3.1 são apresentados os equipamentos e a instrumentação utilizados
no desenvolvimento deste trabalho.
Figura 3.1 – Equipamentos e instrumentação para o processo de limpeza CIP
Na qual,
1 2
3
4
6BBom
5
65
1 - Reservatório a partir de onde será inserido e recirculado o fluido do processo;
2 - Quadro do inversor de frequência;
3 - Trocador de calor;
4 - Válvula eletropneumática proporcional;
5 - Bomba de deslocamento positivo;
6 - Bomba centrífuga.
O funcionamento do sistema estudado é definido pela circulação do produto
pelos tubos, promovido por uma bomba de deslocamento positivo (5), fazendo com que
o fluido do processo no estado líquido seja submetido a quatro passagens no interior
dos tubos do trocador de calor. A bomba centrífuga (6) é responsável pela circulação da
água de aquecimento através da carcaça do trocador de calor. A temperatura da água
de aquecimento é ajustada por meio da válvula de controle (4) que é responsável por
manipular a vazão de vapor de água saturado, gerado por uma caldeira do tipo
flamotubular instalada em ambiente próprio e adequado para o seu funcionamento
adequado e seguro.
Na Figura 3.2 (a) é apresentado um diagrama esquemático simplificado (fora das
normas e simbologias de instrumentação) do sistema utilizado e na Figura 3.2 (b) um
diagrama representativo do processo e da instrumentação.
66
Figura 3.2a – Diagrama esquemático simplificado do sistema
Na qual,
TT1: Medição da temperatura do fluido de processo na saída do trocador de
calor;
TT2: Medição da temperatura de saída da água quente;
TT3: Medição da temperatura do fluido de processo na entrada do trocador de
calor;
TT4: Medição da temperatura de entrada da água quente;
FT: Medição da vazão do fluido de processo na entrada do trocador de calor;
TC: Controle de temperatura da água de aquecimento.
67
Figura 3.2b – Diagrama representativo do processo e da instrumentação
O sistema eletrônico de coleta de dados utilizado foi composto pelos seguintes
itens: (i)- um microcomputador do tipo PC já existente; (ii)- uma placa de aquisição de
dados do fabricante NATIONAL INSTRUMENTS, modelo: NI PCI-6259, com
capacidade para até 4 saídas analógicas de 16 bits, 48 entradas e saídas digitais e
faixa de operação de -10 V a +10 V e (iii)- do aplicativo LabVIEW, utilizado para realizar
68
o monitoramento, aquisição de dados e controle do processo. Na Figura 3.3 é
apresentada uma ilustração da placa de aquisição de dados utilizada e a Figura 3.4
ilustra a placa borneira empregada nos experimentos.
Foram utilizadas quatro entradas analógicas para a medição das temperaturas,
uma entrada analógica para medição da vazão, uma saída analógica para controle do
inversor de freqüência e uma saída analógica para controle da válvula proporcional de
pressão.
Foi desenvolvida a configuração de aplicativo computacional (LabVIEW)
dedicado à coleta dos dados adquiridos em experimentos realizados, dentre eles:
vazão, temperaturas e pH.
Figura 3.3 – Placa de aquisição de dados usada no trabalho Fonte: National Instruments, 2012
Figura 3.4 – Régua de bornes usada no trabalho
O aplicativo LabVIEW (acrônimo para Laboratory Virtual Instrument Engineering
Workbench) é uma linguagem de programação gráfica criada pela empresa NATIONAL
INSTRUMENTS™.
69
Como mencionado anteriormente, para o estudo da identificação de modelos
experimentais da etapa enxágue de um processo CIP, conforme proposto nos objetivos
deste trabalho, utiliza-se como protótipo de planta industrial o trocador de calor do tipo
feixe tubular existente na instalação piloto do Edifício Prof. Walter Borzani do CEUN-
IMT.
Como produto de processamento nos tubos internos do trocador de calor ou
simplesmente fluído de processo, escolheu-se o leite, por se tratar de matéria-prima
alimentar cujo beneficiamento é alvo de importante cuidado com a higienização e
limpeza dos equipamentos envolvidos.
O experimento foi automatizado utilizando-se um computador PC integrado a
uma placa eletrônica para aquisição e geração de sinais analógicos e digitais. A
aquisição de dados e controle do processo é realizada através de software de alto
desempenho com interface amigável com o usuário, desenvolvido em ambiente
LabVIEW®, na linguagem de programação gráfica denominada “G” (NATIONAL
INSTRUMENTS, 2010)
O LabVIEW teve sua primeira versão disponibilizada em 1986 para máquinas
Macintosh e atualmente existem também ambientes de desenvolvimento integrados
para os Sistemas Operacionais Windows, Linux e Solaris. Os principais campos de
aplicação do LabVIEW são a realização funcional de medições, automação e controle.
A programação é feita utilizando-se blocos funcionais de forma a modelar o fluxo de
dados utilizado, o que oferece vantagens tanto na aquisição de dados quanto na sua
manipulação. Dentre os blocos disponibilizados, existem diversos algoritmos
encapsulados, como, por exemplo, identificação de sistemas, controladores, coleta e
gravação de dados, os quais facilitam o desenvolvimento de aplicações.
Os componentes dos programas escritos na linguagem do LabVIEW são
chamados de instrumentos virtuais (VIs). Os VIs são compostos por um painel frontal,
que contém a interface do usuário, e por um diagrama de blocos, que contém o código
do programa em linguagem gráfica. O programa não é processado por um
interpretador, mas sim compilado, fornecendo um bom desempenho do ponto de vista
do tempo de resposta, permitindo aplicações em tempo real.
70
O trocador de calor (P1) é de fabricação Vettori–Manghi, modelo 1978
(VETTORI-MANGHI, sd). Seu funcionamento consiste na circulação do produto ou
fluído de processo em estado líquido, cuja alimentação é feita por intermédio do
reservatório de entrada (P5), sendo direcionado aos tubos internos, com detalhes
mostrados na Figura 3.5, feito em 4 passagens, conforme apresentado na Figura 3.6 e
esquematizado na Figura 3.7. Nos tubos, o fluído de processo passa inicialmente pela
seção 1, sai desta seção e entra na seção 2 e assim sucessivamente pelas seções 3 e
4. Através de válvulas manuais, manobra-se o fluxo do fluído de processo da saída do
tubo do trocador de calor para o reservatório de entrada ou para duas saídas de
descarte, conforme ilustração da Figura 3.8, onde a válvula (V1) permite interromper a
passagem do fluído de processo para o reservatório de entrada e a válvula (V2) possui
quatro posições: fluxo simultaneamente nas duas saídas de descarte (D1 e D2), em
apenas uma delas (exclusivamente D1 ou D2) ou interrupção nas duas (Figura 3.8).
Figura 3.5 - Planta com trocador de calor tipo feixe tubular instrumentado
71
Figura 3.6 - Tubos internos do trocador de calor para o fluído de processo
Figura 3.7 - Seções de passagem do fluído de processo nos tubos do trocador de calor
Figura 3.8 - Válvulas para manobra da saída do fluído de processo ao reservatório de entrada ou
descarte
1 2 4 3
72
O deslocamento do fluído de processo nos tubos internos do trocador de calor é
promovido por uma bomba centrífuga de deslocamento positivo (P2) mostrada na
Figura 3.5, de fabricação Robuschi, modelo RE50-110 (ROBUSCHI, 2010), cujo
funcionamento baseia-se em um rotor de aço na forma de um helicoidal comum e de
secção circular. O rotor gira dentro de um estator, geralmente fabricado em elastômero
vulcanizado numa carcaça externa metálica e na forma de uma cavidade helicoidal
dupla com o dobro do passo do rotor, conforme ilustrado na Figura 3.9
(WEATHEFORD, 2010). Na figura, Dr é o diâmetro do rotor, Er sua excentricidade, Pr é
o passo do rotor e Q é a vazão da bomba. A rotação da bomba (P2) é controlada por
meio de um inversor de frequência, fabricação ABB, modelo ACS143-2K7-1 (ABB,
2010).
Figura 3.9 - Rotor helicoidal de bomba centrífuga
O aquecimento do trocador de calor, cuja temperatura é controlada através da
injeção de vapor saturado, é realizado com água quente que circula por sua carcaça. A
água de aquecimento é impulsionada pela bomba centrífuga (P3) mostrada na figura
3.5, fabricação Robuschi, modelo RE50-160 (ROBUSCHI, 2010), com acionamento tipo
liga/desliga (on/off).
A geração de vapor para aquecimento da água é feita por uma caldeira tipo
flamo tubular (Bremer, 2010), ou caldeira de tubo de fogo, instalado em ambiente
próprio e adequado. Neste tipo de equipamento, os gases provenientes da combustão
do combustível, no caso querosene, atravessam a caldeira no interior de tubos que se
encontram circundados por água, cedendo calor à mesma, onde os gases gerados pela
combustão sobem através dos tubos, aquecendo e vaporizando a água que está em
torno deles (BREMER, 2010).
Q
73
A variação da temperatura do fluído de processo dá-se em decorrência da
variação da quantidade de vapor aplicada ao sistema integrado de aquecimento do
trocador de calor, cujo ajuste é feito pela válvula de controle eletropneumática (P4), de
fabricação Fluxotrol, modelo PK2117, tipo ação inversa (FLUXOTROL, 2010).
O processo de aquecimento ocorre com a abertura da válvula eletropneumática,
a qual injeta vapor de água saturado a 1,5 kgf∕cm2 na água em estado líquido
proveniente de um reservatório cilíndrico vertical, que desempenha o papel de um
sistema de acúmulo de energia. A água quente resultante de tal mistura é conduzida à
entrada do casco do trocador de calor, fornecendo energia térmica ao sistema e
acarretando no aumento de temperatura. Estando o casco do trocador de calor
submetido à elevação de temperatura, o mesmo irá aquecer o fluído de processo
existente no interior dos tubos, tendendo a manter o equilíbrio térmico entre o corpo e a
tubulação interna do trocador de calor. A água de saída do casco retorna ao
reservatório vertical, o qual possui uma válvula de purga que é acionada na condição
de sua pressão interna ultrapassar o limite superior.
Para o resfriamento do produto, o procedimento é inverso, ou seja, pelo
fechamento da passagem de vapor de aquecimento na válvula de controle. Neste
processo, o tempo de resposta é mais lento quando comparado ao de aquecimento,
pois o resfriamento ocorrerá apenas em decorrência da troca térmica entre o corpo do
trocador de calor, o fluído de processo e o meio ambiente. Logo, o controle automático
de temperatura necessita considerar tal característica em seu algoritmo, acarretando
maior dificuldade na elaboração do processo de controle. Os detalhes dos principais
componentes externos do trocador de calor já descritos são ilustrados da Figura 3.10 à
Figura .
Figura 3.10 - Bomba de deslocamento para fluído de processo
74
Figura 3.11 - Bomba centrífuga para circulação de água quente
Figura 3.12 - Válvula pneumática da malha de controle de temperatura
Para efetuar as medições das quatro temperaturas envolvidas no processo,
utilizaram-se elementos sensores de temperatura do tipo termoresistor PT 100, para
faixa de 20ºC a 130ºC, fabricação TECNISIS, modelo Multp IOPE 49312 (TECNISIS,
2010). Tais sensores atendem plenamente às temperaturas envolvidas no processo,
que ocorrem na faixa de 40ºC a 90ºC. Optou-se por utilizar estes sensores por
possuírem comportamento linear na faixa de operação utilizada, alta repetibilidade de
leituras, não reagirem com os agentes utilizados no processo, apresentarem robustez
mecânica, serem comumente utilizados em processos industriais e possuírem baixo
custo. O posicionamento dos sensores das temperaturas do fluído de processo é
ilustrado na Figura 3.13 e das temperaturas da água de aquecimento na Figura 3.14.
75
Figura 3.13 - Posicionamento dos elementos de medição de temperatura da entrada (T3) e saída (T1) do fluído de processo
Figura 3.14 - Posicionamento dos elementos de medição das temperaturas da entrada (T4) e saída (T2)
da água quente de aquecimento
Os sinais de medição das quatro temperaturas (T1, T2, T3 e T4) gerados pelos
elementos termorresistivos PT100 foram conectados eletricamente às entradas dos
condicionadores de fabricação INCON, modelo CS01-1360 (INCON, 2010), cujas
saídas são compatibilizadas às entradas analógicas da placa de aquisição de dados
que opera na faixa de 0 a 10V.
76
Para a medida de vazão, o custo do instrumento é diretamente proporcional aos
seguintes pontos críticos: temperatura de trabalho do fluído a ser medida, neste caso,
máxima em 100ºC; faixa da vazão do fluído de processo, que ocorre entre 3 L.min-1 e
16 L.min-1. O sistema escolhido é de fabricação METROVAL modelo OI-2 SMRX/FS
(METROVAL, 2010), cuja vista interna do sistema mecânico é ilustrada na Figura 3.15 e
opera pelo princípio de engrenagens ovais, conforme ilustra a Figura 3.16. Este
equipamento atende plenamente às condições exigidas, nos aspectos de repetibilidade,
precisão, neutralização aos agentes químicos envolvidos e robustez física.
Figura 3.15 - Vista interna do medidor de vazão (METROVAL, 2007)
Figura 3.16 - Esquema com princípio de funcionamento das engrenagens ovais do medidor de vazão
(METROVAL, 2007)
77
Ainda referindo-se ao medidor de vazão utilizado, este possui internamente um
sensor com saída digital tipo pulsante, cuja frequência é proporcional ao valor da vazão
medida. A saída deste sensor foi acoplada à unidade condicionadora de sinais modelo
METROFLUX AG19 (METROVAL, 2007), gerando sinal proporcional de saída 4 a 20
mA. Tal sinal foi convertido em tensão na faixa 2 a 10 V utilizando-se um resistor de 510
1,0 %, sendo esse sinal conectado a uma entrada analógica da placa de aquisição
de dados. A Figura 3.17 ilustra o medidor de vazão instalado na planta e a Figura 3.18
a unidade conversora de sinal pulsante para analógico.
Figura 3.17 - Instalação do medidor de vazão METROVAL modelo OI - 2 SMRX/FS
Figura 3.18 - Acoplador do sinal de vazão METROVAL modelo METROFLUX AG19
78
As aquisições das medições de pH do fluído de processo foram executadas
utilizando-se um phmetro marca MICRONAL, modelo B-474, conforme ilustração da
Figura 3.19 (MICRONAL, 2010). Este medidor gera um sinal serial com taxa de 9600
bps e dados no formato ASCII (ASCII, 2010). Foi desenvolvido um software em
linguagem Delphi (BORLAND, 2010), para receber o sinal serial proveniente do
medidor de pH e registrá-lo em arquivo texto com taxa de amostragem de
aproximadamente 1000 ms. A Figura 3.20 ilustra a tela do software para leitura do sinal
serial do medidor de pH. A taxa de amostragem utilizada é compatível com o tempo de
resposta das variáveis envolvidas. Um programa desenvolvido na plataforma LabVIEW
captura o dado existente no arquivo texto de modo a obter o referencial de leitura do
pH.
Figura 3.19 - Medidor de pH MICRONAL, modelo B-474 - phmetro
79
Figura 3.20 - Tela do programa para leitura do sinal serial de pH.
O controle da bomba de deslocamento que permite variar a vazão do fluído de
processo é realizado por um sinal analógico com faixa de operação 0 a 10 V, gerado
por uma das saídas analógicas disponíveis na placa de aquisição de dados. Tal sinal é
diretamente conectado na entrada de controle do inversor de frequência. O esquema
elétrico das ligações do inversor de frequência é apresentado no APÊNDICE A. A
Figura 3.21 ilustra o inversor de frequência utilizado para tal finalidade.
Figura 3.21 - Inversor de frequência
80
O sinal de controle enviado para a válvula pneumática foi compatibilizado à saída
analógica da placa de aquisição de dados, utilizando-se um conversor com entrada
para sinal 0 a 10 V e saída 4 a 20 mA, fabricação INCON, modelo CS01-1662 (INCON,
2010). A válvula pneumática, cuja função é a de ajustar a quantidade de vapor
misturada à água de aquecimento que resulta no controle da temperatura do processo,
possui controle por pressão positiva de ar na faixa de 3 a 15 psi. Este sinal pneumático
é gerado por um conversor I/P, conforme ilustrado na Figura 3.22, marca
ENGINSTREL, modelo 621IPB, cuja entrada opera na faixa de 4 a 20 mA
(ENGINSTREL, 2010).
Figura 3.22 - Conversor I/P ENGINSTREL modelo 621IPB
A Figura 3.23 ilustra os conversores utilizados para compatibilizar os sinais de
entrada das medidas das temperaturas T1 a T4 (quatro conversores à direita) e sinal de
saída para controle da válvula eletropneumática de vapor (a esquerda).
81
Figura 3.23 - Condicionadores de sinais para medidas de temperaturas e atuação no conversor I/P da
válvula eletropneumática de vapor.
3.2 Metodologia empregada
Para se determinar o comportamento do pH da saída do fluído de processo em
função da vazão e da temperatura na etapa de enxágue de um processo CIP, o método
utilizado foi dividido nas etapas apresentadas a seguir:
(i) Ensaios para obtenção das curvas de resposta do sistema, no caso as
respostas dinâmicas de vazão e temperatura do fluído de processo, visando
sintonizar os controladores em malha fechada para estas duas variáveis de
processo;
(ii) Ajustar os parâmetros de sintonia de controladores PI e PID para controle
de vazão e temperatura do fluído de processo, baseada em modelos
aproximados determinados a partir das curvas do item (i);
82
(iii) Ensaios no trocador de calor para obtenção dos dados experimentais
usados para validar os modelos matemáticos da etapa de enxágue do
processo CIP, relacionando o pH da saída do fluído de processo em função
da temperatura e vazão do mesmo, utilizando os controladores
determinados em (ii);
3.2.1 Metodologia empregada para obtenção das curvas de resposta de vazão e
temperatura
Nesta etapa é estudado o comportamento dinâmico da temperatura de saída e
vazão do fluído de processo quando introduzidas alterações, respectivamente, na
válvula de controle de passagem de vapor e no controle de velocidade da bomba de
fluxo do fluído de processo. Os resultados desta etapa são utilizados para a elaboração
de controladores automáticos, ou em malha fechada, os quais permitem controlar vazão
e temperatura do fluído de processo.
Utilizando-se a plataforma LabVIEW, foi desenvolvido um programa para
controle, inicialmente, em malha aberta12 da vazão e temperatura do fluído de processo,
possibilitando a coleta e registro das seguintes variáveis: ajuste de velocidade da
bomba centrífuga do fluído de processo, ajuste da posição da válvula de vapor, medida
de vazão do fluído de processo (FT), medidas das temperaturas (TT1 a TT4) referentes
ao fluído de processo e à água quente do corpo do trocador de calor, medida do pH na
saída do fluído de processo. A tela principal e o diagrama em blocos do software
utilizado podem ser vistos no APÊNDICE B.
O programa desenvolvido para coleta de dados permite as facilidades descritas a
seguir:
12
Nesta etapa os controles de temperatura e vazão não são automatizados, sendo seus ajustes executados de forma manual em escala 0 a 100%.
83
rotação da bomba (%): ajuste de 0 a 100 % do sinal de saída para controle da
bomba de deslocamento do fluído de processo, possibilitando monitorar o valor
do sinal em volts;
abertura da válvula de vapor (%): ajuste de 0 a 100 % do sinal de saída para
controle da válvula de passagem de vapor, possibilitando monitorar o valor do
sinal em volts e a respectiva conversão para sinal de corrente 4 a 20 mA;
arquivo de gravação: permite criar arquivos com diferentes nomes em função
do ensaio em questão, registrando todas as grandezas de entrada e saída;
amostragens: feitas em intervalos de 1000 ms e apresentando suas contagens
acumulativas em tempo real;
monitoração dos valores instantâneos das temperaturas, pH e vazão;
apresentação de gráficos, em tempo real, dos valores medidos das
temperaturas, pH e vazão.
Os sensores das temperaturas foram aferidos colocando-se os quatro elementos
de medição de temperatura no reservatório de saída do fluído de processo para
medirem simultaneamente uma mesma temperatura. Juntamente com os quatro
elementos, foi colocado um termômetro digital de precisão modelo DT801
(INSTRUTEMP, 2010). Desta forma foi possível monitorar as variações das quatro
temperaturas e comparar com o valor real.
A aquisição de dados experimentais para obtenção das curvas de respostas do
sistema foi realizada em duas etapas, segundo descrição a seguir:
(i) vazão: colocou-se a água em circulação com o trocador de calor na
temperatura ambiente (temperatura constante), válvula de vapor
totalmente fechada (sinal de controle em 0 %) e sinal de controle da vazão
com 70 %, equivalente à 7,0 V na saída de controle. Aplicaram-se degraus
no set-point do controle da vazão, sendo os intervalos entre eles
suficientes para que houvesse estabilização dos valores medidos;
(ii) temperatura: colocou-se água em temperatura ambiente no reservatório
de entrada do fluído de processo e após passagem pelo trocador de calor,
84
a água aquecida resultante foi descartada. Aplicaram-se degraus no set-
point do controle de temperatura pela válvula de passagem de vapor
(vazão constante), sendo seus intervalos suficientes para que houvesse
estabilização dos valores medidos.
Nos experimentos citados acima, utilizou-se água como fluído de processo no
lugar de leite, por motivo de redução de custos. Para os experimentos que
necessitaram de leite, não foram necessários novos ajustes dos controladores, visto
que sua composição média, conforme já citado, é de 88% em água, 4,7% em lactose,
3,4% em gordura, 3,2% em proteína e o restante em minerais e pequenas quantidades
de outras substâncias (Bylund, 1995 apud Bansal e Chen, 2006), aproximando-se das
características da água quanto ao escoamento.
Os dados foram registrados em arquivos texto e transferidos para uma planilha
do Microsoft Excel. Gráficos das curvas de resposta do sistema foram então gerados e
analisados de maneira a se obter funções de transferência, na forma da equação (2.5).
3.2.2 Metodologia empregada para sintonia dos controladores
Obtidas as curvas de resposta da vazão e temperatura do fluído de processo, foi
realizada a simulação utilizando a aplicativo SIMULINK / MATLAB, com propósito de
escolher um método de sintonia adequado para os controladores de vazão e
temperatura (malha fechada), sendo que os métodos testados estão descritos no item
4.2.
Feitas as simulações na plataforma MATLAB, aplicaram-se os métodos que
apresentaram melhores resultados diretamente na planta, utilizando a plataforma do
LabVIEW para implementação dos controladores em malha fechada e monitoração
das variáveis alvo: vazão e temperatura do fluído de processo. O programa
desenvolvido possibilita ajuste no set-point da vazão de 3 L.min-1 a 16 L.min-1 e ajuste
no set-point da temperatura de 25ºC a 100ºC. Os dados coletados foram registrados em
arquivo texto pré-nomeado. As telas contendo o painel frontal e diagrama em blocos do
programa do programa em LabVIEW do sistema são apresentadas no APÊNDICE C.
85
3.2.3 Metodologia para obtenção de modelo simplificado da etapa de enxágue
Em conformidade com um dos objetivos propostos neste trabalho, referente ao
estudo da etapa de enxágue do processo CIP, faz-se necessária, a princípio, a
execução completa do processo, desde a inicialização, que consiste em promover a
sujidade do equipamento, até a etapa do estudo em questão. Como fluído de processo
e agente incrustante foi utilizado leite tipo C em estado líquido e como detergente para
a limpeza, solução de soda cáustica (NaOH). A Figura 3.24 ilustra o fluxograma com os
procedimentos utilizados para a análise do processo CIP proposto, destacando em
negrito a etapa de enxágue em estudo.
Figura 3.24 - Fluxograma básico com as etapas do processo CIP para estudo da etapa de enxágue.
A Figura 3.25 fornece um diagrama de blocos com as malhas de controle
utilizadas para obtenção dos dados para a modelagem, permitindo melhor percepção
das grandezas envolvidas nesta etapa. Como toda aquisição e controle foram
desenvolvidos usando-se LabVIEW, variáveis internas como TM (temperatura
manipulada) e QM (vazão manipulada), podem ser facilmente registradas.
86
Figura 3.25 - Diagrama em blocos do processo para etapa da obtenção dos dados para a modelagem
não paramétrica
A seguir são descritos com mais detalhes as etapas experimentais realizadas, na
instalação objeto do estudo, tendo como base o fluxograma da Figura .
3.2.3.1 Metodologia para criar a incrustação no interior dos tubos do trocador de calor
Anteriormente ao processo de incrustação foram realizados testes em laboratório
destinados a determinar a influência da temperatura de operação para a etapa.
87
Para tal, foi realizado o procedimento descrito a seguir:
Figura 3.26 - Representação do sistema de estudo da incrustação
i. Ajuste de banhos termostatizados: “Banho 1” a 70°C, “Banho 2” a 75°C e
“Banho 3” a 85°C, conforme Figura 4.6;
ii. Inserção de 9 placas de aço (9cmX9cm) AISI 304 (já higienizadas) em estufa (T
= 105ºC) durante 1 hora;
iii. As placas de aço foram retiradas da estufa, pesadas, identificadas, foram presos
fios de Nylon (para pendurá-las no suporte universal) e inseridas novamente na
estufa desligada, para mantê-las em temperatura superior à ambiente;
iv. Foi adicionado o leite cru em 9 béqueres e posicioná-los nos “Banhos 1, 2 e 3”;
v. Inserção de 1 placa em cada béquer (totalmente imersa ao leite), “pendurada”
devidamente no suporte universal pelos fios de Nylon conforme figura 3.26;
vi. Iniciada a contagem do cronômetro (tempo = 1 hora);
Durante esta etapa do experimento, as temperaturas dos banhos
termostatizados foram constantemente aferidas (a fim de assegurar seu controle –
aumentando/diminuindo as temperaturas dos banhos), e foi retirada a nata que se
88
formava.
vii. Ao final dos tempos cronometrados dos banhos termostatizados, as placas
foram devidamente retiradas dos béqueres e inseridas em estufa durante 4
horas (T = 105ºC);
viii. Foram desumidificados (inserindo-os na estufa) e pesados 9 vidros de relógio e,
em seguida, identificados;
ix. Inserção de cada uma das placas em um vidro de relógio (cada um dos vidros
de relógio de massa conhecida e desumidificado);
x. Os vidros de relógio foram inseridos (com as placas de aço) na sílica-gel
dessecante (dessecador) durante 3 horas;
xi. Em seguida, os vidros de relógio foram pesados e identificados.
Na Tabela 3.1 abaixo são apresentados os resultados experimentais do estudo
da incrustação, sendo que:
i. Mi placa = massa inicial da placa (em gramas);
ii. Mvr = massa do vidro relógio (em gramas);
iii. Mf placa + vr = massa da placa no vidro relógio após teste (em gramas);
iv. Mf placa = massa final da placa (em gramas);
v. M leite = massa de leite na placa ao final do teste (em gramas);
vi. Mmed leite = massa média de leite na placa ao final do teste (em gramas);
89
Tabela 3.1 – Resultados experimentais do estudo da incrustação
Observa-se que a massa média de leite na placa ao final do teste (Mmed leite) não
apresenta variação sensível para as temperaturas utilizadas. Os resultados sugerem
que, na faixa de estudo, a temperatura não influencia significativamente na incrustação;
logo, optou-se por trabalhar com a temperatura de 80 °C para a incrustação
(temperatura intermediária na faixa estudada), por ser de fácil controle no sistema
utilizado.
Após o estudo, realizou-se a etapa de incrustação. Esta etapa tem por objetivo
promover a incrustação do leite nos tubos internos do trocador de calor. Para isso
realizaram-se os seguintes procedimentos:
i. Colocou-se o leite em circulação no trocador de calor por cerca de uma hora13,
com temperatura e vazão controladas em respectivamente 80 °C e 6 L.min-1;
ii. Aguardou-se, com o trocador de calor em repouso por aproximadamente uma
hora, para a consolidação do processo de incrustação nas paredes do mesmo.
3.2.3.2 Metodologia para a higienização do trocador de calor
Esta etapa consiste em remover os resíduos de leite do interior dos tubos. No
caso do equipamento utilizado, procedeu-se da forma descrita a seguir considerando
que o mesmo possui apenas um reservatório para alimentação de entrada:
i. Ajustou-se o set-point do controlador de temperatura para 50ºC;
13
Ensaios em placas de aço inox demonstraram que o tempo de uma hora é suficiente para promover a incrustação do leite às placas, na temperatura ambiente. O aumento da temperatura não acelera significativamente a incrustação.
90
ii. Ajustou-se a abertura das válvulas direcionais disponíveis na instalação
estudada (vide Figura 3.5), de modo que a tubulação de saída responsável
pelo transporte do leite remanescente da etapa anterior contido no interior do
trocador de calor fosse direcionada ao descarte;
iii. Ligou-se a bomba de circulação do fluído de processo, com ajuste para 9
L/min, mantendo-a nesta condição até que o volume no reservatório de entrada
atingisse o nível mínimo14;
iv. Atingido o nível mínimo, foi aberta a válvula de bloqueio responsável pela
alimentação da água proveniente da rede de utilidades do laboratório, na
temperatura ambiente15;
v. Ao término da fase de circulação do leite na saída do descarte, a qual é
perceptível pela alteração de coloração branca para translúcida, desligou-se a
água de alimentação e simultaneamente manobrou-se as válvulas direcionais
de modo que o fluído de processo da saída, constituído por água e eventuais
resíduos de leite remanescentes da etapa anterior, fosse direcionado ao
reservatório de entrada (P5 Figura 3.5), mantendo-o em circulação no trocador
de calor;
vi. Aguardou-se a temperatura da saída do fluído de processo estabilizar
novamente em 50ºC;
vii. Adicionou-se NaOH no reservatório de entrada, de modo que a solução
detergente final seja 0,5 % em massa16, valor comumente utilizado na indústria,
para obter solução altamente alcalina com pH por volta de 12 (GEDRAITE et
al., 2010);
viii. Manteve-se circulação da solução detergente (NaOH) pelo período de uma
hora com vazão controlada em 9 L.min-1 e temperatura fixa em 50ºC.
14
Entende-se como nível mínimo do reservatório, o volume mínimo de fluído em sua saída (cônica) que é acoplada ao início do circuito dos tubos do trocador de calor, de modo que seja impedida a entrada de ar no sistema.
15 Por características de construção, o equipamento utilizado para os estudos dispensa pré-aquecimento da água de alimentação.
Ensaios mostraram que o controle da temperatura é realizado mesmo quando se utiliza alimentação com água na temperatura ambiente.
91
3.2.3.3 Metodologia para a execução da etapa de enxágue: remoção da solução
detergente com água e monitoração do pH
Considerando as características do equipamento utilizado, esta etapa consiste no
estudo do processo de enxágue para remoção do detergente utilizado, cujos dados
obtidos serão necessários na obtenção de modelos que representem o comportamento
do pH em função da vazão e temperatura. Para tal, sua execução foi dividida em dois
modos (variação da temperatura com vazão constante e variação da vazão com
temperatura constante) nos quais se faz necessário, a princípio, reiniciar e executar as
duas etapas anteriores, de criação da incrustação (detalhada no item 3.2.3.1) e de
sanitização (detalhada no item 3.2.3.2).
Referente à variável alvo deste estudo, que é o pH do fluído de processo
descartado e resultante do enxágue, sua medição foi feita de forma dinâmica, em um
tanque intermediário de passagem entre a saída de descarte do trocador de calor e a
entrada da rede de captação de rejeitos do laboratório, proporcionando escoamento
sem turbulência, de forma a possibilitar medida correta pelo phmetro disponível.
Para obtenção do pH da água utilizada nos ensaios, a qual é proveniente da rede
de utilidades do laboratório, foram executadas medições em temperatura ambiente e
obteve-se variação entre 7,8 e 7,9, adotando-se, portanto, essa faixa, como os valores
finais e mínimos de pH (considerado como neutro).
3.2.3.4 Metodologia para a execução da etapa de enxágue com variação da
temperatura
Nesta etapa, manteve-se a vazão constante e executou-se a aquisição dos
dados, conforme o protocolo descrito a seguir:
i. Terminada a circulação da solução detergente, manobra-se as válvulas
direcionais disponíveis na planta de modo que a solução (fluído de processo)
16
O volume total de líquido (fluído de processo), que consiste na quantidade de líquido dos tubos internos mais a quantidade do reservatório de entrada na marca mínima, resulta em 70 litros. Portanto, a massa de NaOH a ser adicionada na água para esta etapa é de 350g.
92
seja direcionada ao tanque intermediário de saída, para medição do pH e
descarte;
ii. Aguarda-se até que a solução de NaOH chegue ao fim do reservatório de
entrada do fluído de processo. Nesse momento aplica-se um degrau no set-
point do controlador de temperatura (em malha fechada) e simultaneamente
liga-se a alimentação da água da rede com temperatura ambiente para o
reservatório de entrada e inicia-se a aquisição de dados;
iii. Aguarda-se até o momento em que o pH da saída do fluído de processo tenha
o valor igual ao da água utilizada (pH neutro), registrando as grandezas
dinâmicas do sistema ao longo do tempo: vazão medida (FT), temperaturas
medidas (TT1 a TT4) e valores de pH;
iv. Repete-se o procedimento para vários valores de temperatura.
3.2.3.5 Metodologia para a execução da etapa de enxágue com variação da vazão
Semelhante aos procedimentos realizados no item anterior, neste caso mantém-
se a temperatura constante e varia-se a vazão, conforme os passos descritos a seguir:
i. Terminada a circulação da solução detergente, manobram-se as válvulas
direcionais de modo que a solução (fluído de processo) seja direcionada ao
tanque intermediário de saída, para medição do pH e descarte;
ii. Aguarda-se até que a solução de NaOH chegue ao fim do reservatório de
entrada e desliga-se a bomba de escoamento do fluído de processo;
iii. Aplica-se um degrau no set-point do controlador de vazão (em malha fechada),
simultaneamente liga-se a alimentação da água da rede, em temperatura
ambiente, para o reservatório de entrada e inicia-se a aquisição de dados;
iv. Aguarda-se até o momento em que o pH da saída do fluído de processo tenha
o valor igual ao da água utilizada pH (pH neutro), registrando as grandezas
93
dinâmicas do sistema ao longo do tempo: vazão medida (FT), temperaturas
medidas (TT1 a TT4) e valores de pH;
v. Repete-se o procedimento para vários valores de vazão.
94
CAPÍTULO 4. RESULTADOS OBTIDOS
4.1 Curvas de respostas de vazão e temperatura
As curvas de resposta temporal da vazão e da temperatura do fluído de processo
foram obtidas conforme descrito no item 3.2.1, onde é descrita a metodologia
empregada.
Foram realizados ensaios para a obtenção dos parâmetros de processo referentes
à vazão, cujo comportamento temporal é ilustrado nas Figuras 4.1a e 4.1b. O
comportamento apresentado na Figura 4.1a é o da variável desvio da variável de
processo (PV) – diferença entre a PV e a PV em regime permanente (considerada 9,5
L.min-1) e a Figura 4.1b apresenta o comportamento da MV (sinal enviado ao inversor
de frequência).
Neste ensaio partiu-se com o sinal enviado ao inversor de frequência (MV) em 7 V
(70% da rotação máxima da bomba) e aplicou-se degrau positivo de 3 V no tempo 32 s,
aguardou-se a estabilização da vazão (PV), e em seguida aplicou-se degrau negativo
de 3 V no tempo 203 s. Observam-se dinâmicas de resposta da PV diferentes para o
degrau positivo e para o degrau negativo da MV; a dinâmica é claramente mais lenta
para o aumento da vazão devido a problemas de coleta de dados durante o ensaio -
falhas na leitura do medidor de vazão e/ou placa de aquisição de dados - pois na
prática a dinâmica tanto para aumento quanto para redução da vazão bastante
parecido. Adotou-se o segundo degrau (10 V a 7 V – ou seja, de 100% para 70% da
rotação da bomba) para obtenção dos parâmetros de processo, por representar a
dinâmica de maneira mais próxima à prática (coleta de dados realizada sem
problemas). Os resultados são apresentados ao longo deste item. Foi utilizada água
nesta etapa do ensaio.
Ressalta-se que, para esta análise, optou-se por trabalhar com a variável desvio
da vazão – VD – sendo esta a diferença entre a PV e a PV em regime permanente (9,5
L.min-1); em outras palavras, na prática a PV variou de 9,5 L.min-1 para 13 L.min-1.
95
Figura 4.1a - Variável desvio - vazão PV (Variação da MV de 7 V para 10 V)
Figura 4.1b - Sinal enviado a inversor de frequência (MV) com degraus simétricos de 7 V para 10 V
No ensaio utilizado para a temperatura, cujo comportamento temporal é ilustrado
nas Figuras 4.2a e 4.2b, utilizou-se vazão constante de 9 L.min-1. Ressalta-se que a
válvula de vapor utilizada apresenta desgaste mecânico e sua resposta somente é
96
condizente com a realidade a partir de um sinal de comando em torno de 30% - 40% de
abertura.
O comportamento apresentado na Figura 4.2a é o da variável desvio da PV –
diferença entre a PV e a PV em regime permanente (considerada 30ºC) e a Figura 4.2b
apresenta o comportamento da MV (sinal enviado à válvula proporcional de vapor).
Partiu-se com a saída do fluído de processo na temperatura aproximada de 30ºC,
aplicou-se degrau na abertura da válvula de vapor instalada na linha de vapor de água
saturado em 40 % em t=105 s. Em t=800 s aplicou-se um degrau até a abertura de 45
% da válvula, e em t=1052 s aplica-se um degrau até a abertura de 55%.
Com relação ao segundo degrau, observou-se que a variação da MV foi muito
pequena (5%, uma perturbação muito pequena), com consequente variação muito
pequena na PV sendo esta inadequada à modelagem, optando-se assim pela aplicação
do terceiro degrau (10%), sendo esta uma perturbação que representou variação na
PV. Vale ressaltar que, quanto maior a abertura da válvula de vapor, maior será a
mistura de vapor de água saturado à água de aquecimento do casco do trocador de
calor, tendendo a temperatura do processo (PV) a entrar em regime num valor mais
elevado, o que leva a uma situação de crítica com relação à segurança. Logo esta
etapa do ensaio foi encerrada antes que a PV entrasse em regime estacionário.
Logo, as análises para obtenção dos parâmetros de processo foram realizadas
adotando-se o primeiro degrau (0% - 40%) por a PV apresentar uma resposta mais
clara à variação da MV, além de tender ao regime estacionário.
97
Figura 4.2a - Variável desvio - Temperatura PV à variações da MV
Figura 4.2b – Abertura da válvula de vapor (MV)
Os parâmetros do processo, sendo K o ganho do processo, a constante de
tempo do processo e o atraso de transporte, foram calculados segundo dois métodos
citados em 2.7.1, métodos de Smith e Miller, os quais forneceram resultados
semelhantes. As funções de transferência obtidas são mostradas a seguir e as Figuras
4.3a e 4.3b mostram a comparação entre os dados coletados e os modelos
aproximados obtidos para a vazão e a temperatura, respectivamente:
98
(i) para a vazão: K = 1,30 V
L
.min; = 14,0 s; = 2,00 s
1.0,14
.30,1)(
.00,2
s
esG
s
(4.1)
(ii) para a temperatura: K = 0,72 %
ºC; = 378 s; = 78,0 s
1.378
.72,0)(
.0,78
s
esG
s
(4.2)
Figura 4.3a – Comparação entre os dados coletados e o modelo aproximado obtido para a vazão
99
Figura 4.3b – Comparação entre os dados coletados e o modelo aproximado obtido para a temperatura
4.2 Sintonias dos controladores de vazão e temperatura
Utilizando os parâmetros do processo obtidos (K, e ) no item 4.1, foi gerada
uma planilha com os cálculos baseados em vários métodos para sintonia de
controladores propostos em Campos e Teixeira (2007), sendo eles: ZN - Ziegler &
Nichols, CHR - Chien-Hrones-Reswick, CC - Cohen & Coon, ITAE - Integral do Módulo
do Erro vezes o Tempo por Lopez e ITAE por Rovira.
Os métodos mencionados consistem basicamente em aplicar-se um degrau em
malha aberta e, a partir do ganho (K) do processo, do atraso de transporte () e do
atraso de transferência (), obter-se os parâmetros do controlador.
Para o método de Ziegler & Nichols, são obtidos os parâmetros do controlador a
partir da tabela 4.1.
100
Tabela 4.1 – Parâmetros de sintonia – Método: Ziegler & Nichols
No método Chien, Hrones e Reswick (CHR) sem sobrevalor e com 20% de
sobrevalor os parâmetros são obtidos a partir das Tabelas 4.2 e 4.3, respectivamente.
Tabela 4.2 – Parâmetros de sintonia – Método: CHR sem sobrevalor
Tabela 4.3 – Parâmetros de sintonia – Método: CHR 20% de sobrevalor
No método CC - Cohen & Coon os parâmetros são obtidos a partir da Tabela 4.4.
Tabela 4.4 – Parâmetros de sintonia – Método: Cohen & Coon
101
Nos métodos ITAE - Integral do Módulo do Erro vezes o Tempo por Lopez et al.
e ITAE por Rovira et al. os parâmetros são obtidos a partir das Tabelas 4.5a e b e 4.6a
e b, respectivamente.
Tabela 4.5a – Parâmetros de sintonia – Método: ITAE-Lopez
Tabela 4.5b – Parâmetros de sintonia – Método: ITAE-Lopez
Tabela 4.6a – Parâmetros de sintonia – Método: ITAE-Rovira
Tabela 4.6b – Parâmetros de sintonia – Método: ITAE-Rovira
Os parâmetros dos controladores (tipo P, PI e PID) calculados para vazão e para
temperatura são apresentados na tabela 4.7, onde: Kp é o ganho proporcional, Ti a
constante de tempo integral e Td a constante de tempo derivativa.
102
Tabela 4.7 – Parâmetros teóricos para sintonia dos controladores.
103
A partir dos parâmetros de sintonia dos controladores calculados, foram
realizadas simulações de controladores do tipo P e PI para vazão e do tipo P, PI e PID
para a temperatura, com o aplicativo SIMULINK em ambiente MATLAB, com o
propósito de análise dos parâmetros de sintonia calculados dentre os métodos citados,
para a escolha daqueles a serem testados nos controladores. Dentre os parâmetros de
sintonia, serão escolhidos aqueles que apresentarem a resposta menos agressiva ao
processo, e estes variados gradativamente até obter-se uma sintonia adequada ao
processo.
As Figuras 4.4a e 4.4b ilustram as telas utilizadas nas simulações em ambiente
MATLAB para os parâmetros calculados para o controle proporcional (vazão e
temperatura, respectivamente).
Figura 4.4a – Blocos do Simulink/MATLAB para simulação do comportamento dos controladores proporcionais de vazão
104
Figura 4.4b - Blocos do Simulink/MATLAB para simulação do comportamento dos controladores proporcionais de temperatura
As figuras 4.5a e 4.5b ilustram os resultados das simulações da resposta ao
degrau para a vazão e a temperatura, respectivamente. Observa-se presente, em
ambas as simulações, erro em estado estacionário, o que demonstra a ineficiência do
controlador puramente proporcional para ambos os casos.
Figura 4.5a - Comportamento temporal (simulação) dos controladores proporcionais de vazão
perturbadas por um degrau unitário.
105
Figura 4.5b - Comportamento temporal (simulação) dos controladores proporcionais de temperatura
perturbadas por um degrau unitário.
Na sequência, foram realizadas simulações dos controladores PI.
As Figuras 4.6a e 4.6b ilustram as telas utilizadas nas simulações em ambiente
MATLAB para os parâmetros calculados para o controle PI (vazão e temperatura,
respectivamente).
Figura 4.6a - Blocos do Simulink/MATLAB para simulação do comportamento dos controladores PI de vazão
106
Figura 4.6b - Blocos do Simulink/MATLAB para simulação do comportamento dos controladores PI de temperatura
As figuras 4.7a e 4.7b ilustram os resultados das simulações da resposta ao
degrau para a vazão e a temperatura, respectivamente.
Figura 4.7a - Comportamento temporal (simulação) dos controladores PI de vazão perturbadas por um
degrau unitário.
107
Figura 4.7b - Comportamento temporal (simulação) dos controladores PI de temperatura perturbadas por
um degrau unitário
Para o controle de vazão, observa-se que o método ITAE por Rovira (parâmetros
Kp = 2,68; Ti = 0,164 s), apresenta os parâmetros de sintonia cujo controle, na
simulação, é o menos agressivo, optando-se por escolher partir destes parâmetros,
ajustando os mesmos até obter-se uma sintonia adequada. Sendo assim, não houve
necessidade de realizar a simulação para os parâmetros de sintonia PID calculados
para o controle de vazão, sendo o controle PI eficiente para a sintonia.
Já para o controle de temperatura, optou-se por realizá-la, para verificação da
possibilidade de parâmetros de sintonia para um controle menos agressivo. Foram
então realizadas simulações dos controladores PID para o controle de temperatura.
A Figura 4.8 ilustra a tela utilizada na simulação em ambiente MATLAB dos
parâmetros de sintonia PID calculados para o controle de temperatura.
108
Figura 4.8 - Blocos do Simulink/MATLAB para simulação do comportamento dos controladores PID de temperatura
A figura 4.9 ilustra os resultados da simulação da resposta ao degrau para a
temperatura.
Figura 4.9 - Comportamento temporal (simulação) dos controladores PID de temperatura perturbadas por
um degrau unitário
109
Para o controle de temperatura, observa-se que o método CHR sem sobrevalor
(parâmetros Kp = 6,394; Ti = 3,088 s e Td=0,547 s), apresenta os parâmetros de
sintonia cujo controle, na simulação, é o menos agressivo, optando-se por escolher
partir destes parâmetros, ajustando os mesmos até obter-se uma sintonia adequada.
Foram feitos então ensaios no trocador de calor, utilizando os controladores
desenvolvidos na plataforma LabVIEW. Os ganhos utilizados nos controladores de
vazão e temperatura foram inicialmente os obtidos com os resultados dos modelos
simulados detalhados neste item. Todos os ensaios foram realizados com uma taxa de
amostragem de 1 segundo.
4.2.1 Sintonia do controlador da vazão do fluído de processo
Conforme citado no item 4.2, para o ensaio da vazão, o melhor resultado obtido
foi utilizando controlador PI com os parâmetros de sintonia calculados pelo método
ITAE por Rovira (parâmetros Kp = 2,68; Ti = 0,164 s). Após testes realizados na planta
partindo dos parâmetros de sintonia calculados observou-se que a vazão apresentou
um pequeno off-set em relação ao set-point, sendo o tempo integral reduzido com o
objetivo de aumentar a taxa de repetição da ação sobre o erro; os valores finais que
apresentaram o melhor resultado e foram utilizados na planta foram: Kp= 2,68 e Ti=
0,101 s.
O comportamento apresentado na Figura 4.10a é o da variável desvio da PV –
diferença entre a PV e a PV em regime permanente (considerada 10 L.min-1) e a Figura
4.10b apresenta o comportamento da MV (sinal enviado ao inversor de frequência).
110
Iniciou-se o ensaio em t= 0 s com vazão de 10 L.min-1, entrada com água fria. Na
amostragem 550 s aplicou-se degrau positivo de uma unidade no set-point (para 11
L.min-1). Na amostragem 720 s aplicou-se degrau negativo de uma unidade (para 10
L.min-1). Nota-se, pela figura, que o controlador proposto forneceu uma dinâmica da
vazão do fluido de processo (PV) considerada adequada para esta aplicação, entrando
rapidamente em regime em torno set-point definido. Ressalta-se também que a ação da
bomba (MV) é bastante estável, sendo que a mesma trabalha em torno de um valor
(ideal na prática, pois acarreta menor desgaste da bomba), variando mais
dinamicamente e por um período reduzido somente no instante de variação no set-
point.
Figura 4.10a - Variável desvio - vazão PV (Variação do set-point de 10 L.min
-1 para 11 L.min
-1)
111
Figura 4.10b - Sinal enviado a inversor de frequência (MV) à variações no set-point de vazão
4.2.2 Sintonia do controlador da temperatura de saída do fluído de processo
Inicialmente o controlador de temperatura da saída do fluído de processo (T1) foi
implementado no LabVIEW utilizando o controlador PID com os parâmetros de
sintonia calculados pelo método CHR sem sobrevalor (parâmetros Kp = 6,394; Ti =
3,088 s e Td=0,547 s).
Durante os testes, tinha-se conhecimento da diferença da dinâmica para o
aumento e para a redução da temperatura. Isto se deve ao fato já citado de que, para o
aumento da temperatura simplesmente “atua-se” na abertura da válvula de vapor
injetando mais vapor de água saturado ao fluido de aquecimento do casco do trocador
de calor, o qual aquece o fluido de processo que passa pelos tubos; porém o mesmo
não ocorre para o resfriamento que, devido às limitações físicas, se dá simplesmente
por troca térmica com o ambiente apresentando assim um maior tempo de resposta
quando comparado ao aquecimento.
112
Foram então realizados testes na planta partindo dos parâmetros de sintonia
calculados e observou-se que a temperatura apresentou um pequeno off-set em
relação ao set-point, sendo o tempo integral reduzido com o objetivo de aumentar a
taxa de repetição da ação sobre o erro. Após a eliminação do off-set, notou-se ainda
uma pequena oscilação na temperatura, o que poderia ser melhorado com um aumento
do tempo derivativo, tomando-se o cuidado de não instabilizar a temperatura ; os
valores finais que apresentaram o melhor resultado e foram utilizados na planta foram:
Kp = 6,394; Ti = 3,640 s e Td=0,621 s.
Porém, devido às limitações citadas, o controle para redução da temperatura não
se apresentou adequado. Após testes, observou-se que o tempo integral para
eliminação do off-set e o tempo derivativo para antecipação do erro levavam, na prática,
à uma ação na abertura da válvula de vapor, tendo uma ação contrária ao resfriamento;
logo um controle puramente proporcional com um ganho baixo foi o que atuou de
maneira mais estável no resfriamento da temperatura; o valor final que apresentou o
melhor resultado e foi utilizado na planta foi: Kp = 0,08.
Logo se optou pela implementação de um controlador em que, no aumento da
temperatura eram utilizados os parâmetros PID Kp = 6,394; Ti = 3,640 s e Td=0,621 s,
e para a diminuição da temperatura, foi utilizado o controlador proporcional com o
parâmetro Kp = 0,08.
A Figura 4.11a ilustra a resposta da temperatura (T1) medida em função da
variação do set-point de temperatura e a Figura 4.11b ilustra o comportamento da MV
(sinal enviado à válvula de vapor). O ensaio foi realizado com água em vazão constante
de 9 L.min-1 e temperatura inicial da saída do fluído de processo estabilizada em
aproximadamente 48ºC. Foram realizadas as seguintes variações no set-point da
temperatura:
i) Na amostragem 185 s aplicou-se degrau positivo de 5 unidades no set-
point (para 53 ºC);
ii) Na amostragem 460 s aplicou-se degrau positivo de 4 unidades no set-
point (para 57 ºC);
113
iii) Na amostragem 648 s aplicou-se degrau positivo de 7 unidades no set-
point (para 64 ºC);
iv) Na amostragem 860 s aplicou-se degrau positivo de 6 unidades no set-
point (para 70 ºC);
v) Na amostragem 1260 s aplicou-se degrau negativo de 5 unidades no set-
point (para 65 ºC);
vi) Na amostragem 1530 s aplicou-se degrau negativo de 5 unidades no set-
point (para 60 ºC);
vii) E finalmente, na amostragem 1720 s aplicou-se degrau negativo de 10
unidades no set-point (para 50 ºC).
O controlador proposto forneceu uma dinâmica da temperatura (PV) adequada
para esta aplicação, tendo em vista os altos valores das constantes de tempo
envolvidas nos processos de aquecimento e resfriamento. Ressalta-se também que a
oscilação da válvula (MV) é maior (desconsiderando o ruído que os dados apresentam)
quando comparada ao controlador de vazão, devido à maior dificuldade de controle da
variável temperatura. Isto não chega a ser considerado crítico à válvula, pois observa-
se uma variação suave do atuador da válvula (apesar de um deslocamento grande),
provando que há ruídos nos dados coletados e que o controle é satisfatório para a
temperatura, sem afetar a integridade da válvula proporcional de vapor.
Figura 4.11a - Variável desvio - temperatura PV (Variação do set-point de 50ºC para 70 ºC)
114
Figura 4.11b - Sinal enviado à válvula proporcional de vapor (MV) à variações no set-point de temperatura
4.3 Modelagem matemática do comportamento do pH em função do tempo
Os dados experimentais coletados da variação do pH no tempo apresentaram
uma oscilação excessiva, sendo que interesse neste estudo é a representação da
dinâmica da resposta do pH. Melero (2011) utiliza o algoritmo Wavelet, disponibilizado
no aplicativo MATLAB®, para a filtragem de ruídos. Aplicando-se em uma amostra de
dados coletados, pode-se observar claramente na figura 4.12 que o algoritmo apresenta
um bom desempenho de filtragem para o estudo em questão (esta filtragem será
aplicada para todos os dados coletados que serão apresentados nos itens
subsequentes relacionados à coleta do pH).
115
Figura 4.12 – pH medido x pH após filtragem de sinal para vazão de 9 L.min
-1
Fica claro que esta filtragem tem o aspecto positivo de manter a representação
da dinâmica de resposta do pH no tempo (que é de interesse neste estudo) e remover a
oscilação que se deve ao fato dos ruídos inseridos devido à instrumentação utilizada
para a coleta dos dados.
Com base nos dados coletados, foi realizada a modelagem aproximada de 1ª
ordem com atraso de transporte. Os modelos obtidos foram comparados com os dados
coletados experimentalmente no software SIMULINK/MATLAB®.
4.3.1 Comportamento do pH em função da variação da temperatura
Baseando-se no procedimento citado no item 3.2.3.4, foram aplicadas
perturbações do tipo degrau na temperatura na etapa de enxágue, mantendo-se a
vazão do fluido de processo constante em 9 L.min-1. No ensaio inicial a temperatura foi
mantida em 50ºC, observando-se o comportamento do pH; em seguida foram aplicados
degraus de 50ºC para 60ºC, 70ºC e 80ºC, obtendo-se as respostas apresentadas na
figura 4.13.
116
Figura 4.13 – Comportamento do pH em função de variações da temperatura
Observa-se claramente que o tempo de limpeza na etapa de enxágue (a limpeza
foi considerada quando o pH atinge um valor próximo à neutralidade e em regime
estacionário) não é influenciado significativamente à variações da temperatura (na faixa
de temperaturas permitida pela instrumentação disponível na bancada).
Por não apresentar um ganho significativo no estudo em questão, não foi
realizada a modelagem do comportamento do pH em função de variações da
temperatura.
4.3.2 Comportamento do pH em função da variação da vazão
Baseando-se no procedimento citado no item 3.2.3.5, na sequência foram
aplicadas perturbações do tipo degrau na vazão na etapa de enxágue, mantendo-se a
temperatura do fluido de processo constante em 50ºC. Neste ensaio foram aplicados
degraus de 0 L.min-1 para 4 L.min-1, 6 L.min-1, 7,5 L.min-1, 9 L.min-1, 10,5 L.min-1, 12
L.min-1, 14 L.min-1 e 16 L.min-1, obtendo-se as respostas apresentadas na figura 4.14.
117
Figura 4.14 – Comportamento do pH em função de variações da vazão
Para que se tenha uma limpeza efetiva, a limpeza será mais efetiva com valores
de vazão em que o sistema esteja operando em regime turbulento. Logo foi calculado o
número de Reynolds para as vazões utilizadas nos ensaios. Para a vazão de 4 L.min-1,
o número de Reynolds é 1964,4 (regime laminar), 2593,4 (regime turbulento) para a
vazão 6 L.min-1, 3065,2 (regime turbulento) para a vazão 7,5 L.min-1, 3537 (regime
turbulento) para a vazão 9 L.min-1, 4008,8 (regime turbulento) para a vazão 10,5 L.min-
1, 4480,6 (regime turbulento) para a vazão 12 L.min-1, 5109,6 (regime turbulento) para
a vazão 14 L.min-1 e 5738,6 (regime turbulento) para a vazão 16 L.min-1. Ou seja, por
estar operando em regime laminar na vazão 4 L.min-1, não há contribuição na eficácia
do processo de limpeza, havendo consumo desnecessário de água nesta vazão de
operação.
Observa-se que o tempo de enxágue (quando o pH atinge a estabilidade em
torno de seu valor neutro – aproximadamente 7,8 para a água utilizada) reduz com o
aumento da vazão, porém não de forma linear. Definindo-se o pH igual a 8 como
referência, calculou-se o volume de água gasto para se atingir este valor de pH para
cada uma das vazões utilizadas. Por exemplo, para a vazão de 4 L.min-1, o tempo foi de
47,62 minutos, logo o volume de água gasto foi de 190,5 L; da mesma maneira foi
calculado o tempo para as demais vazões, sendo os mesmos: 285,7 L para a vazão 6
118
L.min-1, 187,5 L para as vazões 7,5 e 9 L.min-1, 178,5 L para a vazão 10,5 L.min-1,
195,2 L para a vazão 12 L.min-1, 210 L para a vazão 14 L.min-1 e 177,7 L para a vazão
16 L.min-1. Ou seja, há um menor consumo de água para a vazão de 16 L.min-1.
4.3.2.1 Modelagem matemática do comportamento do pH em função da variação da
vazão
Foi realizada a modelagem do comportamento do pH (mantendo-se a
temperatura de operação do trocador de calor constante no valor 50 °C) em função de
variações da vazão para 3 vazões de interesse, a saber: valor mínimo (4 L.min-1),
intermediário (7,5 L.min-1) e máximo (12 L.min-1); o objetivo é a comparação entre a
modelagem aproximada de 1ª ordem com atraso de transporte utilizando os métodos de
Smith e Miller e a modelagem Neuro-Fuzzy, através do sistema de inferência proposto
por Takagi-Sugeno.
4.3.2.1.1 Modelagem aproximada – Métodos de Smith e Miller
A partir dos valores obtidos nos experimentos, foram construídos gráficos que
ilustram o comportamento temporal dos valores de pH coletado e modelado
correspondentes às concentrações de NaOH presentes na água de enxágue efluente
da saída do trocador de calor estudado. Para tal, foi realizada a simulação
(apresentadas nas Figuras 4.15, 4.16 e 4.17) no aplicativo Simulink/MATLAB®, sendo
assim possibilitada a comparação dos dados experimentais (inseridos em uma Lookup
Table) com o modelo aproximado obtido e o erro entre modelo e os dados coletados
para valores de vazão de 4 L.min-1 (figura 4.18), 7,5 L.min-1 (figura 4.19), e 12 L.min-1
(figura 4.20).
119
Figura 4.15 – Programa MATLAB para comparação entre os valores de pH coletado e modelado da água de enxague para degrau na vazão de 0 para 4 L.min
-1
Figura 4.16 – Programa MATLAB para comparação entre os valores de pH coletado e modelado da água de enxague para degrau na vazão de 0 para 7,5 L.min
-1
120
Figura 4.17 – Programa MATLAB para comparação entre os valores de pH coletado e modelado da água de enxague para degrau na vazão de 0 para 12 L.min
-1
Figura 4.18 – Comportamento do pH coletado x modelado e o erro (pH modelo – pH coletado) para
degrau na vazão de 0 para 4 L.min-1
121
Figura 4.19 – Comportamento do pH coletado x modelado e o erro (pH modelo – pH coletado) para
degrau na vazão de 0 para 7,5 L.min-1
Figura 4.20 – Comportamento do pH coletado x modelado e o erro (pH modelo – pH coletado) para
degrau na vazão de 0 para 12 L.min-1
Foram obtidos os seguintes parâmetros para a função de transferência que
modela o comportamento do sistema:
122
(i) para o degrau na vazão de 0 para 4 L.min-1: K = 1,083 pH/L.min-1, θ =
1108,5 s; τ = 691,5 s;
1.5,691
.083,1)(
.5,1108
s
esG
s
(4.3)
(ii) para o degrau na vazão de 0 para 7,5 L.min-1: K = 0,578 pH/L.min-1, θ =
457 s; τ = 442 s;
1.442
.578,0)(
.457
s
esG
s
(4.4)
(iii) para o degrau na vazão de 0 para 12 L.min-1: K = 0,358 pH/L.min-1, θ =
360,5 s; τ = 214,5 s;
1.5,214
.358,0)(
.5,360
s
esG
s
(4.5)
Os gráficos (Figuras 4.18, 4.19 e 4.20) foram construídos com base nos Método
de Smith e Miller (parâmetros de modelagem muito próximos) por serem métodos
simples e representarem uma aproximação adequada considerando a identificação
experimental aproximada dos parâmetros do modelo; estes foram plotados juntamente
com os dados coletados com o objetivo de validar o modelo aproximado obtido.
Adicionalmente foi feita a análise do erro entre os dados modelados pelo método
de Smith e os dados coletados. Observa-se que em todos os casos a representação do
comportamento dinâmico da resposta do pH é suficiente para uma comparação e
análise sem grande nível de detalhamento para os diferentes degraus para as vazões
de interesse (0 - 4 L.min-1, 0 - 7,5 L.min-1 e 0 - 12 L.min-1). Observa-se o erro menor
quanto maior o degrau na vazão, pois a resposta tem mais caracterizado o atraso de
transporte seguido de uma exponencial decrescente quanto maior este degrau, sendo
123
mais fácil a representação aproximada utilizada, a qual manipula estes parâmetros
matematicamente.
Caso deseje-se representar e analisar a diferença entre as dinâmicas da vazão
(com um erro menor entre o modelo e o comportamento real durante toda a resposta do
pH), o ideal é a utilização de outra técnica de modelagem, o que motivou o uso de uma
técnica de modelagem Neuro-Fuzzy.
4.3.2.1.2 Modelagem – Sistema de Inferência Fuzzy Neuro-Adaptativo (ANFIS)
A partir dos valores obtidos nos experimentos, foi realizada a modelagem do
comportamento temporal dos valores de pH correspondentes às concentrações de
NaOH presentes na água de enxágue efluente da saída do trocador de calor estudado
através do aplicativo Simulink/MATLAB®, utilizando o sistema de inferência Fuzzy
Neuro-Adaptativo ou ANFIS (do inglês – Adaptative Neuro-Fuzzy Inference System) .
Para tal, foi utilizado o toolbox “Fuzzy Logic” do aplicativo MATLAB®, escolhendo-se o
sistema de inferência “Sugeno”. Para esta modelagem, foram utilizados os dados com
uma taxa de amostragem de 10 segundos.
Para o treinamento da rede foram utilizadas as repostas do pH para degraus de
0 L.min-1 para 4 L.min-1, 6 L.min-1, 9 L.min-1, 10,5 L.min-1, 12 L.min-1, 14 L.min-1 e 16
L.min-1, Inicialmente foi utilizada a vazão como entrada e o pH como saída. Os dados
de entrada foram inseridos sequencialmente conforme se pode observar na figura 4.21.
124
Figura 4.21 – Dados para o treinamento da rede com uma entrada e uma saída
Figura 4.22 – Treinamento da rede com uma entrada e uma saída (grid partition)
Em seguida, para a geração do sistema de inferência fuzzy (utilizando-se o
125
algoritmo grid partition – partição para mapeamento mais eficiente da rede) através dos
dados de treinamento, foram utilizadas 3 funções de pertinência do tipo triangular para
os dados de entrada na Análise 1; a tolerância para o erro de 0,01 e 10 épocas
(quantidade de iterações). O erro médio de treinamento da rede, em 10 épocas, foi
1,6171 (Figura 4.22).
As funções de pertinência obtidas, o modelo do sistema fuzzy desenvolvido e o
gráfico da superfície de resposta são apresentados nas Figuras 4.23, 4.24 e 4.25,
respectivamente.
Figura 4.23 – Funções de pertinência triangulares (grid partition)
126
Figura 4.24 – Modelo do sistema Fuzzy desenvolvido (3 funções de pertinência – uma entrada e uma
saída - grid partition)
Figura 4.25 – Superfície de resposta (3 funções de pertinência – uma entrada e uma saída - grid partition)
127
Para validar o modelo, foi utilizada a resposta do pH para um degrau na vazão
de 0 L.min-1 para 7,5 L.min-1, obtendo-se um modelo que não representa a resposta do
sistema (erro médio 1,6052) que é apresentado na figura 4.26.
Figura 4.26 – Modelo ANFIS do pH coletado X pH modelado para um degrau na vazão de 0 L.min
-1 para
7,5 L.min-1
(grid partition com três funções de pertinência triangulares)
Na tentativa de obter-se um modelo adequado com os mesmos dados de
entrada e saída, foi utilizado, na sequência, o algoritmo Subtractive clustering na
Análise 2 (algoritmo rápido que estima o número de agrupamentos - para
representação concisa do comportamento do sistema - e o centro dos agrupamentos
em um conjunto de dados) para o treinamento da rede e geração do sistema de
inferência fuzzy (Figura 4.27); a tolerância para o erro utilizada foi de 0,01 e 10 épocas
(quantidade de iterações). O erro médio de treinamento da rede (gerado pelo Matlab®),
em 10 épocas, foi 1,6115.
128
Figura 4.27 – Treinamento da rede com uma entrada e uma saída (subtractive clustering)
As funções de pertinência obtidas, o modelo do sistema fuzzy desenvolvido e o
gráfico da superfície de resposta são apresentados nas Figuras 4.28, 4.29 e 4.30,
respectivamente.
129
Figura 4.28 – Funções de pertinência triangulares (subtractive clustering)
Figura 4.29 – Modelo do sistema Fuzzy desenvolvido (3 funções de pertinência – uma entrada e uma
saída - subtractive clustering)
130
Figura 4.30 – Superfície de resposta (3 funções de pertinência – uma entrada e uma saída - subtractive
clustering)
Para validar o modelo, foi novamente utilizada a resposta do pH para um degrau
na vazão de 0 L.min-1 para 7,5 L.min-1, obtendo-se também um modelo que não
representa a resposta do sistema (erro médio 1,5618) que é apresentado na figura
4.31.
131
Figura 4.31 – Modelo ANFIS do pH coletado X pH modelado para um degrau na vazão de 0 L.min
-1 para
7,5 L.min-1
(subtractive clustering)
Fica claro que a quantidade de dados para o treinamento da rede foi insuficiente,
pois não foi possível validar o modelo para os dados coletados mesmo utilizando
diferentes algoritmos de estimativa do comportamento do sistema (com o intuito de
gerar regras de decisão mais adequadas e consequentemente maior refinamento);
logo, não foram apresentadas as regras por não terem sentido prático e foi inserida
mais uma entrada para o treinamento da rede (figura 4.32), sendo esta a saída
atrasada pH [k-1]. Deste modo, foram utilizadas a vazão atual (F[k]) e o pH atrasado de
uma amostragem (pH[k-1]) como entradas e o pH atual (pH[k]) como saída, ou seja, a
rede será treinada com mais parâmetros de entrada (mais informações).
132
Figura 4.32 – Dados para o treinamento da rede com duas entradas e uma saída (grid partition)
Os dados para treinar a rede foram novamente inseridos sequencialmente
(conforme já apresentado na Figura 4.21). Para a geração do sistema de inferência
fuzzy (FIS) através dos dados de treinamento, foram utilizadas 3 funções de pertinência
do tipo triangular para os dados de entrada na Análise 3; a tolerância para o erro de
0,01 e 10 épocas. Foi utilizado o algoritmo grid partition para geração das funções de
pertinência. O erro médio de treinamento da rede (gerado pelo Matlab®), atingido em 4
épocas, foi 0,0099.
A figura 4.33 mostra as funções de pertinência obtidas da entrada Vazão e a
Figura 4.34 mostra as funções de pertinência obtidas da entrada pH [k-1]. As regras
criadas são apresentadas na Figura 4.35 e na Figura 4.36 a superfície de resposta.
133
Figura 4.33 – Entrada - Vazão para o treinamento da rede (grid partition)
Figura 4.34 – Entrada – pH atrasado em 1 amostragem para o treinamento da rede (grid partition)
134
Figura 4.35 – Regras do modelo com duas entradas e uma saída (grid partition)
Figura 4.36 – Superfície de resposta do modelo com duas entradas e uma saída (grid partition)
135
As 9 regras obtidas estão apresentadas na Tabela 4.8. Os termos linguísticos
utilizados nas funções de pertinência das variáveis de entrada (pH atrasado de uma
amostragem) e saída (pH) foram: Neutro, Neutro-Alcalino e Alcalino; os termos
linguísticos da variável de entrada (vazão) foram: Baixa, Média e Alta.
Tabela 4.8 – Regras obtidas para o modelo com duas entradas e uma saída (grid partition)
Para validar o modelo, foi utilizada a resposta do pH para um degrau na vazão
de 0 L.min-1 para 7,5 L.min-1, obtendo-se a resposta com erro médio de 0,011 entre o
modelo e os dados de validação do modelo.
Figura 4.37 – Modelo ANFIS do pH coletado X pH modelado para um degrau na vazão de 0 L.min
-1 para
7,5L.min-1
(grid partition)
Observa-se (Figura 4.37) um modelo que representa de forma adequada a
resposta do sistema com um pequeno erro; na sequência foi realizada a modelagem
utilizando o algoritmo subtractive clustering com o objetivo de compararem-se as
136
diferenças entre os algoritmos para o treinamento da rede e geração do sistema de
inferência fuzzy.
Foram novamente utilizadas a vazão atual (F[k]) e o pH atrasado de uma
amostragem (pH[k-1]) como entradas e o pH atual (pH[k]) como saída (Figura 4.38).
Figura 4.38 – Dados para o treinamento da rede com duas entradas e uma saída (subtractive clustering)
Os dados para treinar a rede foram novamente inseridos sequencialmente
(conforme já apresentado na Figura 4.21). Para a geração do sistema de inferência
fuzzy (FIS) através dos dados de treinamento, foram utilizadas 6 funções de pertinência
do tipo triangular para os dados de entrada na Análise 4 (utilizando os parâmetros
padrão); a tolerância utilizada para o erro foi de 0,01 e 10 épocas. O erro médio de
treinamento da rede (gerado pelo Matlab®), atingido em 1 época, foi 0,0092.
A figura 4.39 mostra as funções de pertinência obtidas da entrada Vazão e a
Figura 4.40 mostra as funções de pertinência obtidas da entrada pH [k-1]. As regras
criadas são apresentadas na Figura 4.41 e na Figura 4.42 a superfície de resposta.
137
Figura 4.39 – Entrada - Vazão para o treinamento da rede (subtractive clustering)
Figura 4.40 – Entrada – pH atrasado em 1 amostragem para o treinamento da rede (subtractive
clustering)
138
Figura 4.41 – Regras do modelo com duas entradas e uma saída (subtractive clustering)
As 6 regras obtidas estão apresentadas na Tabela 4.9. Os termos linguísticos
utilizados nas funções de pertinência das variáveis de entrada (pH atrasado de uma
amostragem) e saída (pH) foram: Neutro1, Neutro2, Neutro3, Alcalino1, Alcalino2 e
Alcalino3; os termos linguísticos da variável de entrada (vazão) foram: Baixa1, Média1,
Alta1, Baixa2, Média2 e Alta2.
139
Figura 4.42 – Superfície de resposta do modelo com duas entradas e uma saída (subtractive clustering)
Tabela 4.9 – Regras obtidas para o modelo com duas entradas e uma saída (subtractive clustering)
Para validar o modelo, foi utilizada a resposta do pH para um degrau na vazão
de 0 L.min-1 para 7,5 L.min-1, obtendo-se a resposta com erro médio de 0,011 entre o
modelo e os dados de validação do modelo.
140
Figura 4.43 – Modelo ANFIS do pH coletado X pH modelado para um degrau na vazão de 0 L.min
-1 para
7,5L.min-1
(subtractive clustering)
Observa-se (Figura 4.43) que não houve melhora (praticamente sem alteração
com relação ao modelo com 3 funções de pertinência triangulares utilizando o algoritmo
grid partition para geração das funções de pertinência). O modelo utilizando o algoritmo
subtractive clustering apresenta o mesmo erro com uma quantidade menor de regras, o
que no caso não é uma vantagem.
Como tentativa adicional foram novamente utilizadas a vazão atual (F[k]) e o pH
atrasado de uma amostragem (pH[k-1]) como entradas e o pH atual (pH[k]) como saída
(Figura 4.44).
141
Figura 4.44 – Dados para o treinamento da rede com duas entradas e uma saída (subtractive clustering)
Os dados para treinar a rede foram novamente inseridos sequencialmente
(conforme já apresentado na Figura 4.21).
Como tentativa adicional de redução do erro de treinamento, aumentou-se o
número de funções de pertinência para os dados de entrada para 5 na Análise 5; a
tolerância para o erro de 0,01 e 10 épocas. Foi utilizado o algoritmo grid partition para
geração das funções de pertinência. O erro médio de treinamento da rede (gerado pelo
Matlab®), atingido em 1 época, foi 0,0089.
A figura 4.45 mostra as funções de pertinência obtidas da entrada Vazão e a
Figura 4.46 mostra as funções de pertinência obtidas da entrada pH [k-1]. As regras
criadas são apresentadas nas Figuras 4.47a e 4.47b e na Figura 4.48 a superfície de
resposta.
142
Figura 4.45 – Entrada - Vazão para o treinamento da rede (grid partition)
Figura 4.46 – Entrada – pH atrasado em 1 amostragem para o treinamento da rede (grid partition)
143
Figura 4.47a – Regras do modelo com duas entradas e uma saída (grid partition)
Figura 4.47b – Regras do modelo com duas entradas e uma saída (grid partition) – continuação
144
Figura 4.48 – Superfície de resposta do modelo com duas entradas e uma saída (grid partition)
As 25 regras obtidas estão apresentadas na Tabela 4.10. Os termos linguísticos
utilizados nas funções de pertinência das variáveis de entrada (pH atrasado de uma
amostragem) e saída (pH) foram: Neutro, Intermediário-Neutro, Intermediário,
Intermediário-Alcalino e Alcalino; os termos linguísticos da variável de entrada (vazão)
foram: Baixa, Média-Baixa, Média, Média-Alta e Alta.
Tabela 4.10 – Regras obtidas para o modelo com duas entradas e uma saída (grid partition)
Para validar o modelo, foi utilizada a resposta do pH para um degrau na vazão
145
de 0 L.min-1 para 7,5 L.min-1, obtendo-se a resposta com erro médio de 0,011 entre o
modelo e os dados de validação do modelo.
Figura 4.49 – Modelo ANFIS do pH coletado X pH modelado para um degrau na vazão de 0 L.min
-1 para
7,5L.min-1
(subtractive clustering)
Observa-se que não houve melhora (o modelo utilizando 5 funções de
pertinência apresenta o mesmo erro - praticamente sem alteração com relação ao
modelo com 3 funções de pertinência triangulares utilizando tanto os algoritmos grid
partition como subtractive clustering), apresentando o mesmo erro com uma quantidade
maior de regras.
A tabela 4.11 mostra uma comparação entre as características de modelagem do
sistema de Inferência Fuzzy Neuro-Adaptativo (ANFIS) utilizadas.
Tabela 4.11 – Comparação entre as metodologias de modelagem do sistema de Inferência Fuzzy Neuro-
Adaptativo (ANFIS)
146
Com o uso de apenas uma entrada (vazão) e uma saída (pH atual), não foi
possível a obtenção de um modelo adequado (Análises 1 e 2 da Tabela 4.11). Sendo
assim, foram utilizados mais parâmetros de entrada (mais informações) para o
treinamento da rede. Utilizaram-se duas entradas - a saída atrasada em uma
amostragem (pH [k-1]) e a vazão atual, e o pH atual - pH[k] - como saída para o
treinamento da rede (Análises 3, 4 e 5 da Tabela 4.11). Com utilização de mais dados
para o treinamento da rede, foram geradas regras de decisão mais adequadas e
consequentemente o maior refinamento esperado, ou seja, a rede foi treinada com uma
quantidade suficiente de parâmetros de entrada, obtendo-se modelos que identificam a
dinâmica da alcalinidade (pH) da água empregada para remoção do detergente alcalino
utilizado no processo de limpeza com a variação da vazão de forma adequada e muito
melhores quando comparados aos métodos de modelagem aproximada.
O uso de funções de pertinência utilizando os algoritmos grid partition e
subtractive clustering (comparação feita nas Análises 3 e 4 da Tabela 4.11), bem como
o uso 3 e 5 funções de pertinência triangulares (comparação através feita nas Análises
3 e 5 da Tabela 4.11) não apresentaram grandes vantagens para a modelagem, pois o
erro de treinamento foi atingido em uma quantidade pequena de épocas (4 épocas na
Análise 3 e 1 época nas Análises 4 e 5) e o erro médio na validação do modelo foi o
mesmo em todas – 0,011, sendo o grande diferencial o uso de mais parâmetros de
entrada (duas entradas) para o treinamento da rede.
147
CAPÍTULO 5. CONCLUSÕES
Os objetivos deste trabalho foram atingidos com êxito. Para tal, foi implementada
com sucesso a instrumentação utilizada em um processo de limpeza CIP típico que
permitiu o monitoramento, controle e coleta adequada de dados.
Esperava-se uma influência tanto da vazão quanto da temperatura na remoção
do detergente alcalino; porém a identificação da dinâmica do sistema a estímulos na
vazão e/ou temperatura de operação do processo, usando o trocador de calor instalado
mostrou - através da variação da alcalinidade (pH) da água empregada para remoção
do detergente alcalino - que os parâmetros dinâmicos do sistema são fortemente
influenciados pelas vazões e pouco afetados pelas temperaturas utilizadas, com maior
contribuição para valores mais elevados de vazão (16 L.min-1), onde há menor consumo
de água.
A identificação aproximada da dinâmica da alcalinidade (pH) da água empregada
para remoção do detergente alcalino utilizado no processo de limpeza com a variação
da vazão utilizando os Métodos de Miller e Smith apresentaram um modelo (com erro)
que representa a resposta do processo. Apesar disto, motivou-se o uso de uma
metodologia de identificação mais refinada com o objetivo de comparação..
Isto foi possível através da Toolbox Fuzzy, do aplicativo SIMULINK / MATLAB,
com o sistema de Inferência Fuzzy Neuro-Adaptativo (ANFIS), sendo possibilitada a
identificação adequada da dinâmica do processo de limpeza CIP na etapa de enxague.
A grande vantagem observada na utilização da modelagem utilizando o sistema
ANFIS está na possibilidade da utilização de um aplicativo para gerar fácil e
rapidamente o modelo independente da produção, condição de operação e
equipamentos utilizados. Isto é possível através da modelagem aproximada utilizando
os métodos de Miller e Smith, porém muito trabalhoso, pois se faz necessário recalcular
os parâmetros que representam a dinâmica do processo para cada situação.
A tabela 4.11 do capítulo 4 (item 4.3.2.1.2) apresentou uma análise comparativa
entre as características de modelagem do sistema de Inferência Fuzzy Neuro-
148
Adaptativo (ANFIS) utilizadas.
O principal diferencial observado foi a utilização de mais parâmetros de entrada
(mais informações) para o treinamento da rede. Foram utilizadas duas entradas - a
saída atrasada em uma amostragem (pH [k-1]) e a vazão atual - e uma saída - o pH
atual - pH[k] - para o treinamento da rede, obtendo-se um excelente modelo.
149
SUGESTÕES PARA TRABALHOS FUTUROS
O desenvolvimento de sensor virtual baseado nos modelos obtidos para a variável
de processo considerada neste trabalho revela uma perspectiva bastante atraente de
aplicação industrial.
A previsão do comportamento dinâmico em tempo real do valor da variável de
processo controlada contribuirá para um acompanhamento mais preciso da etapa de
enxágue, gerando informações que poderão vir a ser utilizadas para a verificação “ in-
situ” do estado de calibração do elemento sensor empregado. Em muitas situações
industriais, ocorre a perda gradual da calibração sem que a equipe responsável pela
operação do sistema perceba.
Adicionalmente, o desenvolvimento de uma estratégia de controle otimizada,
também baseada no sensor virtual, na qual a função objetivo a ser perseguida está
relacionada à minimização dos custos também representa uma potencial aplicação na
área de controle de processos industriais.
Os custos inerentes a um processo de limpeza CIP típico estão relacionados com
o tempo de operação, com o volume de água gasto e com a vazão de operação da
água de enxágüe. Os modelos desenvolvidos neste trabalho poderiam ser usados para
gerar o sinal realimentado de pH que, por sua vez, seriam empregados para calcular o
set-point do controlador e indicador de vazão de água de enxágüe. O set-point em
questão seria calculado com base no desvio entre o pH gerado pelo modelo (“target”) e
o pH medido, bem como no desvio entre o volume de água gasto efetivamente e o
volume de água “target”.
A ideia principal neste caso seria o modelo obtido gerar as informações em tempo
real que permitissem readequar a vazão de água utilizada, em resposta a flutuações
nos valores medidos de vazão e/ou de eficiência de limpeza em relação ao processo
em curso.
150
REFERÊNCIAS BIBLIOGRÁFICAS
ABB. Power and productivity for a better world. Disponível em: http://www.abb.com/product/seitp322/5c818ed6994c7e4bc1256fc0002c2167.aspx?tabKey=2&gid=TEMP.USINY001ACS143-2K1-1-U&cid=9AAC113415. Acesso em 29 de junho de 2010.
AGUIRRE, L.A. Introdução à identificação de sistemas: técnicas lineares e não lineares aplicadas a sistemas reais. 554p., Belo Horizonte: Ed. UFMG, 2000.
ANDRADE, N. J.; MACEDO, J. A. B. Higienização na indústria de alimentos. São Paulo: Livraria Varela, 1996. 182 p.
ASCII TABLE. American Standard Code for Information Interchange. Disponível em: http://www.asciitable.com/. Acesso em 17 de julho de 2010.
ÂSTRÖM, K. & HÄGGLUND, T. PID Controllers: Theory, Design and Tuning. North Carolina, USA: ISA, 343 p., 1995.
BANSAL, B.; CHEN, X. D. A critical review of milk fouling in heat exchangers. Comprehensive reviews in food science and food safety, v. 5, n. 2, p. 27-33, abril 2006.
BARNARD, S. E.; IVKOVICH, M.; CAULEER, P. Processing procedures and sanitation practices to extend the keeping quality of fluid milk. Dairy, food and environmental sanitation, v. 12, n. 2, p. 66-68, fev. 1992.
BARRETO, M. J. Introdução às Redes Neurais Artificiais. Material de apoio. Florianópolis, 2002.
BENINI, L. C.; JUNIOR, M. M. Modelagem Neuro-Fuzzy com apoio do Matlab. Material de apoio. Presidente Prudente, 2008.
BENZECRY, M. A.; CAMEIRA, R. F.; KARRER, D.; VASQUES A. S. Redes neurais artificiais: conceitos e aplicações. IX Encontro de Engenharia de Produção da UFRJ, 2008.
BEUF, M.; RIZZO, G.; LEULIET, J. C., MÜLLER-STEINHAGEN, H.; YIANTSIOS, S.; KARABELAS, A.; BENEZECH, T. Fouling and cleaning of modified stainless steel plate heat exchangers processing milk products. In: Watkinson P.; Muller-Steinhagen, H.; Malayeri, R. (editors). ECI Conference on heat exchanger fouling and cleaning fundamentals and applications, Santa Fe, New Mexico, p.66-68, v.12, 2003.
BORLAND, Software Corporation. Disponível em: http://www.borland.com/br/products/delphi/. Acesso em 28 de setembro de 2010.
151
BREMER, P. J. Laboratory scale Clean-In-Place (CIP) studies on the effectiveness of different caustic and acid wash steps on the removal of dairy biofilms. Elsevier Science & International Journal of Food Microbiology, University of Otago, New Zealand, 2005.
BREMER. Bremer H. LTDA. - Flamo Tubular. Disponível em: http://www.bremer.com.br/novo/index.php?pg=hbfc. Acesso em 09 de setembro de 2010.
BYLUND, G. Dairy processing handbook. Lund, Sweden: Tetra Pak Processing Systems AB, 1995.
CAMPOS, M.C.M.M; TEIXEIRA, H.C.G. Controles Típicos de Equipamentos e Processos Industriais. São Paulo, SP: Ed. Edgard Blucher. 1 ed., 2007.
CHEN, X.D.; OZKANY, N.; QIN, F.; XIN, H.; LIN, L. An effective CIP procedure for removing dairy protein based deposit – A Laboratory investigation. In: Watkinson P.; Muller-Steinhagen, H.; Malayeri, R (editors). ECI Conference on heat exchanger fouling and cleaning fundamentals and applications, Santa Fe, New Mexico, paper 44, 07p. 2004.
COX, E. Fuzzy fundamentals. IEEE Spectrum, p. 58-61, 1992.
DELGADO, M.R.B S. Projeto automático de sistemas nebulosos: uma abordagem co-evolutiva. Tese de Doutorado. Faculdade de Engenharia Elétrica e de Computação, Universidade Estadual de Campinas, Campinas, 2002.
ENGINSTREL Engematic Instrumentação Ltda. Disponível em: http://www.enginstrelengematic.com.br/boletins/Boletim%20621IP.pdf. Acesso em 29 de junho de 2010.
FLUXOTROL SpA. Disponível em: <http://www.tecnodistribuzione.it/Fluxotrol25.pdf>. Acesso em 18 ago. 2010.
FORSYTHE, S. J.; HAYES, P. R. Higiene de los alimentos, microbiología y HACCP. 2. ed. Zaragoza: Editorial Acribia, 489 p., 2002.
FRYER, P. J.; CHRISTIAN, G. K.; LIU, W. How hygiene happens: physics and chemistry of cleaning. International Journal of Dairy Technology, v. 59, n. 2, p. 76-84, maio 2006.
GALLOT-LAVALEE, T.; LALANDE, M.; CORRIEU, G. Cleaning kinetics modeling of holding tubes fouled during milk pasteurization. Journal of Food Process Engineering, v. 7, p. 123-142, 1984.
GEDRAITE, R.; KUNIGK, L.; RIBEIRO, S.; MELERO Jr., V.; VASCONCELOS, F.; SISLIAN, R. Experimental investigation about the milk protein based deposit removal kinetics. World congress on communication and arts, WCCA, Guimarães – Portugal, 2010.
152
GIBSON, H.; TAYLOR, J. H.; HALL, K. E.; HOLAH, J.T. Effectiveness of cleaning techniques used in the food industry in terms of the removal of bacterial biofilms. Journal of Applied Microbiology, v. 87, n. 1, p. 41-48, 1999.
GIESE, J. H. Sanitation: the key to food safety and public health. Food Technology, v. 45, n. 12, p. 74-80, dez. 1991.
GOMIDE, F. A. C; GUDWIN, R. R. Modelagem, Controle, Sistemas e Lógica Fuzzy. SBA Controle & Automação No.4 n.03/setembro-outubro, 1994, PP 97-115.
GORMEZANO, L. Desenvolvimento e implementação de sistema para avaliar a cinética de remoção de resíduos presentes nos tubos de trocador de calor feixe tubular. Dissertação de Mestrado. Centro Universitário do Instituto Mauá de Tecnologia, Escola de Engenharia Mauá, São Caetano do Sul, 2007.
GRANT, C. S.; WEBB, G. E.; JEON, Y. W. A noninvasive study of milk cleaning processes: calcium phosphate removal. Journal of Food Engineering, v. 20, p. 197-230, 1997.
HARROLD, Dave. Automate CIP, track pipe status. Control Engineering, Dez. 2000.
HARDWICK, W. A. Handbook of Brewing. New York, U.S.A.: Marcel Dekker Inc., 718p., 1995.
HOBBS, B. C.; ROBERTS, D. Higiene y toxicología de los alimentos. 3. ed. Zaragoza: Editorial Acribia, 478 p., 1997.
HONER, C. Sanitation: front and center. Dairy Field, p. 16-23, mar. 1992.
INCON Incon Eletrônica Ltda. Disponível em: http://www.incon.com.br/index.php?sec=produtos&funcao=detalhes&id=59. Acesso em 29 de junho de 2010.
INSTRUTEMP Instrumentos de Medição Ltda. Disponível em http://www.instrutemp.com.br/instrutemp/interface/Default.asp?. Acesso em 07 de maio de 2010.
JANG, J.-S. ANFIS: Adaptive-Network-based Fuzzy Inference Systems. IEEE Transactions on Systems, Man, and Cybernetics, Vol. 23, N. 3, pp 665–685, 1993.
JEURNINK, T. J. M.; BRINKMAN, D. W. The cleaning of heat exchangers and evaporators after processing milk or whey. Dairy Journal, Ireland, v. 4, p. 347-368, 1994.
JUN, S; PURI, V. M. Fouling models for heat exchangers in dairy processing: a review. Journal of food process engineering, v. 28, n. 1, p.1-34, 2005.
KHS – Ziemann Lies. Sistema ACIP. Catálogo técnico - 06p.
153
KUNIGK L. Ação do ácido peracético sobre microrganismos contaminantes do processo cervejeiro. Tese de Doutorado. Faculdade de Ciências Farmacêuticas, Universidade de São Paulo, São Paulo, 1998.
LEE, C.C. Fuzzy Logic in Control Systems: Fuzzy Logic ControlIer, part I and II. IEEE Trans. On Systems, Man and Cybernetics, voI. 20, pp 404-435,1990.
LEITÃO, M. F. F. Limpeza e desinfecção na indústria de alimentos. Boletim do Instituto de Tecnologia de Alimentos, Campinas, v. 43, p. 1-35, set. 1975.
MARRIOT, N. G. Principles of Food Sanitation. Springer Science + Business Media Inc, 416 p. New York-U.S.A., 1994.
MARSHALL, K. C. Microbial adhesion in biotechnological processes. Current Opinion in Biotechnology. v. 5, n. 3, Pages 296-301, Jun. 1994.
MARTIN, P. A. Modelagem e controle de um trocador de calor feixe tubular. Dissertação de mestrado. Escola Politécnica da Universidade de São Paulo. São Paulo, 2006.
MELERO JUNIOR V. Instrumentação e Identificação de um Processo de Sanitização Cinética CIP. Dissertação de Mestrado. Centro Universitário do Instituto Mauá de Tecnologia, Escola de Engenharia Mauá, São Caetano do Sul, 2011.
METROVAL Controle de Fluídos Ltda. Single Case Oval Gear PD Meter. Catálogo, rev. 02, fev. 2007.
METROVAL. Metroval Controle de Fluídos Ltda. Disponível em: http://www.metroval.com.br/index.php?menu=1. Acesso em 20 de junho de 2010.
MICRONAL. Medição de pH. Disponível em: http://www.micronal.com.br/produtos/medidorph_B474.htm. Acesso em 07 de maio 2010.
MIDDLEMISS, N. E.; NUNES, C. A.; SORENSEN, J. E.; PAQUETTE, G. Effect of a water rinse and a detergent wash on milkfat and milk protein soils. Journal of Food Protection, v. 48, p. 257-260, mar. 1985.
MITTELMAN, M. W. Symposium: Biofims: development and control. Journal of Dairy Science, v. 81, p. 2760-2764, 1998.
MROZEK, H. Detergency and disinfection. Journal of the Society of Dairy Technology, v. 38, n. 4, p. 119-121, out. 1985.
NATIONAL INSTRUMENTS. Products & Services. NI LabVIEW 2010. Disponível em: http://www.ni.com/labview/. Acesso em 20 de maio 2012.
154
PASSOS, M. H. C. R. Estudo da dispersão de depósitos incrustantes obtidos em pasteurizadores de leite por detergentes ácidos e alcalinos: influência do pH, tempo e temperatura de reação. Dissertação de Mestrado. Faculdade de Engenharia de Alimentos, Universidade Estadual de Campinas, Campinas, 1992.
PARKAR, S. G.; FLINT, S. H.; BROOKS, J. D. Evaluation of the effect of cleaning regimes on biofilms of thermophilic bacilli on stainless steel. Journal of Applied Microbiology, v. 96, p. 110-116, 2003.
REED, G. H. J. The cleaning process - some definitions of terms. Dairy, Food and Environmental Sanitation, v. 12, p. 612-613, set. 1992.
REINEMANN, D. J.; RABOTSKI, E. Interaction of chemical, thermal and physical actions on the removal of bacteria from milk contact surfaces. In: INTERNATIONAL WINTER MEETING THE AMERICAN SOCIETY OF AGRICULTURAL ENGINEERS, Chicago. Anais: Chicago: ASAE, Paper Nº 933536, 1993.
RESTO, W. Cleaning validation 2: Development and validation of an íon chromatographic method for the detection of traces of CIP-100 detergent. Elsevier Science & Journal of Pharmaceutical and Biomedical Analysis, CAYEY, USA, 2007.
ROBUSCHI, SpA. Pompe. Disponível em: http://www.directindustry.es/prod/robuschi-spa/bomba-de-vacio-de-anillo-liquido-23555-374491.html. Acesso em 02 de agosto de 2010.
ROCKWELL AUTOMATION. Programmable Logic Controller - PLC. Disponível em: http://br.rockwellautomation.com/applications/gs/la/gsbr.nsf/pages/Home_Page_EN. Acesso em 20 de maio de 2012.
SANDU, C., SINCH, R. K. Energy increase in operation and cleaning due to heat-exchanger fouling in milk pasteurization. Food Technology (Chicago) v. 45, p. 84–91, 1991.
SCHMIDT, R. H. Basic elements of equipment cleaning and sanitizing in food processing and handling operations. Institute of Food and Agricultural Sciences, University of Florida, 1997.
SHAW, I.S.; SIMÕES, M.G. Controle e modelagem fuzzy. São Paulo, Edgard Blucher. 165 p., 1999.
SILVA, C. A. U. Um método para estimar observáveis GPS usando redes neurais artificiais. Tese de Doutorado. Escola de Engenharia de São Carlos da Universidade de São Paulo, São Carlos, 2003.
155
TECNISIS. Tecnisis - Técnicas de Sistemas Industriais, Ltda. Disponível em: http://www.tecnisis.pt/produtos/list.html?categoria=1. Acesso em 12 de junho de 2010.
TETRAPAK. Pasteurização. Disponível em: http://www.tetrapak.com/br/produtos_e_servicos/processamento/bebidas/pasteurizacao/Pages/default.aspx. Acesso em 20 de maio de 2012.
TURNER, D. W. Hygiene in the dairy industry. Dairy Industries International, v. 47, p. 11-17, jul. 1982.
VAN ASSELT, A.J., VISSERS, M.M.M., SMIT, F., DE JONG, P. In-line control of fouling. Proceedings of heat exchanger fouling and cleaning - challenges and opportunities. Kloster Irsee, Germany; June 5-10: New York U.S.A.; Engineering Conferences International, 2005.
VETTORI – MANGHI & C. Instruction Book For Horizontal Sterilizer Pasteurizern. Mechanical Constructions. Parma. Italy. s.d.
VIEIRA, M. H. L. Modelagem de um sistema de controle por lógica difusa empregado na secagem por atomização de produtos cerâmicos. 193 f. Tese de Doutorado, Universidade Federal de Santa Catarina, Florianópolis, 1999.
WEATHEFORD. Pump and Fluid Systems. Disponível em: http://www.weatherford.com/Products/Production/PumpandFluidSystems. Acesso em 09 de setembro de 2010.
WONG, A. C. L. Biofilms in food processing environments. Journal of Dairy Science, v.81, p. 2765-2770, out. 1998.
ZADEH, L. Fuzzy Sets - Information and Control, voI. 8, pp 338-353, 1965.
ZADEH, L. Outline of a new approach to the analysis of complex systems and decision processes. IEEE Trans. on Systems Man and Cybernetics, vol SMC3, pp 28-44, 1973.
ZHUI, Y. Multivariable system identification for process control. Elsevier Science & Technology Books, Out. 2001.
15
6
AP
ÊN
DIC
E A
- Es
qu
em
a e
létric
o d
as
co
ne
xõ
es
do
inv
ers
or d
e
freq
uê
nc
ia
Fig
ura
A.1
– E
squem
a e
létric
o d
as c
onexões d
o in
vers
or d
e fre
quê
ncia
157
APÊNDICE B - Painel frontal e diagrama em blocos do programa para coleta dos dados em plataforma LabVIEW
Figura B.1 – Painel Frontal do programa para coleta de dados em LabVIEW
158
Figura B.2 – Diagrama em blocos do programa para coleta de dados em LabVIEW®
159
APÊNDICE C - Painel frontal e diagrama em blocos do programa dos
controladores e obtenção de valores de pH em plataforma LabVIEW
Figura C.1 – Painel frontal dos controladores: aquisição da vazão, temperaturas e pH usando LabVIEW®
160
Figura C.2 – Diagrama em blocos dos controladores: aquisição da vazão, temperaturas e pH usando
LabVIEW®